考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法

为了提高光伏出力短期预测精度,提出了一种考虑空间相关性采用长短期记忆LSTM(long short-term memory)神经网络的预测方法。该方法首先在周边光伏电站中依据光伏序列的延迟相关性选取参考电站,在此基础上,依据光伏出力随机性部分持续时间的概率分布,分时段对其进行空间相关性分析,选择与目标电站相关性较强的光伏序列;然后,结合目标电站气象数据的主成分分析结果和历史光伏数据,构建LSTM神经网络模型;最后,通过仿真实验分析验证了所提预测方法的有效性。     

光伏发电影响因素分析和短期光伏出力预测研究

近几年,在国家政策大力扶持下,光伏产业作为战略性新兴产业,得到了井喷式的发展。光伏发电现状和发电预测日益成为大家关注的焦点。根据浙江省绍兴地区 2017年以来光伏用户的发电量数据,从季节、天气、温度、光照等不同因素对光伏发电效率影响进行了分析,并提出了一种短期光伏发电出力和发电量测算的方法,从而为本地区分布式光伏发电量预测、光伏工程选址、光伏运维管理提供依据。     

考虑气象因素的电网短期负荷预测策略

影响电网负荷预测的因素很多,其中气象因素是主要原因之一,尤其在天气系统的转变过程中,气象因互对电网用电和短期负荷预测准确率的影响更大,对气象负荷进行了明确定义,提出了一种预计气象负荷分量的实用方法和考虑气象因素的短期负荷预测策略。     

气象数据弱相关的光伏出力短期预测

光伏出力受气象因素影响,气象数据的有效程度影响着预测结果的准确性。本文提出了气象数据与光伏出力弱相关时短期光伏出力的预测方法。首先采用Pearson关联系数分析法得到影响光伏发电的主要因素,而后采用模糊聚类理论构建相似日,建立了具有优秀小样本学习能力的支持向量回归机预测模型。针对该模型,提出了两阶段确定模型参数的方法,首先采用全局网格搜索确定核参数p和正则化参数C的取值范围,再通过自适应差分进化算法寻找最优核参数p和正则化参数C,以提高参数ε选取范围设置较大时的预测精度。实例测试表明,使用本文提出的SVR方法预测的平均RMSE为5.551%,满足预测要求,比常规BP预测方法提高精度1.238%,在气象数据弱相关时对光伏短期出力有更好的预测能力。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

考虑气象因素SVR算法的短期电力负荷预测

介绍了SVR(Support Vector Regression)算法在短期电力负荷预测中的应用。结合地区实际,在算法中考虑相应的气象因素。该算法具有精度高、收敛速度快、全局最优等优点。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测

为提高光伏电站出力预测的准确性,给调度决策人员提供更丰富的预测信息,提出一种基于高阶马尔可夫链(highorderMarkovchain,HMC)和高斯混合模型(Gaussian mixture model,GMM)的光伏电站短期出力概率预测方法。首先对光伏电站的历史出力数据进行HMC建模,通过计算邻近时段光伏出力数据的Pearson相关系数确定马尔可夫链的阶数,并统计历史数据得到邻近时段光伏出力的状态转移概率矩阵。然后以此为基础建立GMM形式的光伏出力概率预测模型,并提出基于相似气象条件下的数据样本对GMM中各高斯分布的均值与方差进行修正,最终得到光伏电站出力的概率密度函数。以实际光伏电站数据为例进行分析,结果表明所提出的概率预测方法具有较高的准确性,且与传统的点预测方法相比,概率预测能够为电网运行决策提供更多有益信息。     

光伏出力预测方法综述

随着可再生能源的快速发展,光伏发电系统在电网中的应用越来越广泛。为实现电网的可靠性和稳定性,对光伏出力进行准确预测至关重要。对当前光伏输出功率预测的方法进行总结与分析,包括统计法、机器学习法和深度学习法,并针对它们的不足之处进行比较和讨论。通过对这些方法的研究和分析,为未来光伏出力的预测提供一些参考。     

基于空间相关性的分布式光伏出力预测

随着分布式光伏在配电网的渗透率不断上升,其出力波动将成为调度运行中不可忽略的一项不确定因素。基于同一地区光伏出力变化的相关性,提出一种基于空间相关性的分布式光伏出力预测方法。先对同一地区集中式、分布式光伏出力历史数据做无遮归一化,以无遮系数表征光伏出力不确定性;再由K-means聚类方法对天气情况分类,建立基于Copula函数的各类天气工况下光伏出力的相关性模型;最后根据集中式光伏出力信息实现分布式光伏出力预测。以我国北部某城市光伏电站数据为算例,验证了该方法的有效性。     

考虑阵列间时空相关性的超短期光伏出力预测

随着我国光伏产业建设步伐的加快,光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显。基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性,提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory, GCN-LSTM)的超短期光伏出力预测方法。该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系。然后利用图卷积神经网络(graph convolution network, GCN)实现图模型的空间特征提取,并得到包含不同阵列之间空间特征的时序信息。最后将时序数据输入长短期记忆网络(long short-term memory, LSTM)进行光伏出力预测。实验结果表明,基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性,在一定程度上弥补了基于时序信息预测方法的固有缺陷,并且展现出在大规模电站上的良好应用前景。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

一种平抑光伏系统输出波动的储能容量优化方法

为了平抑含光伏系统的输出功率波动,提出了一种基于离散傅里叶变换(Discrete Fourier Transform,DFT)的储能容量优化方法。该方法针对光伏发电特性和储能充放电时间响应特性,利用DFT对光电输出功率偏差进行频谱分析,在不同的时间范围内,采取不同的控制机制,调用相应不同类型的控制容量以补偿功率偏差。基于频谱分析结果,结合储能系统的经济性,确定储能系统最优容量。计算结果表明,所提方法能够以较小的储能容量将光伏发电预测均方根误差RMSE由2.2994%~10.0832%降低至0,大幅减小了光伏系统对电网的冲击和系统备用容量需求,提高了电网对光伏发电的接纳能力。     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

输电网可靠性评估中基于气象因素的处理方法

气象因素会导致输电线路故障,对电网可靠性有较大影响。对原有考虑气象因素的可靠性参数模型进行合理改进,提出不同地理位置输电线路的平均故障率不同,其对应的三态天气及三态天气下的故障次数百分比也存在差异。采用联系数方法处理可靠性原始数据和气象因素等的不确定性,应用状态枚举法对RBTS进行可靠性评估,得到联系数形式的可靠性指标。计算结果表明,元件所处地域不同导致的气象不均匀性对输电网可靠性评估影响不容忽视,联系数形式的可靠性指标亦呈现了不确定性部分的大小,证明所提出的方法更加符合实际。     

考虑功率最大输出与储能协调的光储VSG控制策略

在传统虚拟同步发电机(virtual synchronous generator, VSG)控制的光储系统中,电池通过频繁充放电处理波动的光伏功率,易出现早衰问题。为优化电池运行,提出一种考虑功率最大输出与储能协调的光储VSG控制策略。首先,建立输出频率与直流侧电容电压偏差的比例关系,实现光伏功率的最大输出与VSG的惯性支撑。其次,利用下垂特性控制电池功率输出,在实现系统一次调频功能的基础上提升电池能量管理的灵活度。然后,设计一种稳定直流侧电压的分段控制方案,确保系统正常工作时直流侧电压在合理范围之内。最后,通过仿真实验验证所提方法不仅保留了VSG的惯性支撑和一次调频功能,还实现了光伏功率的最大输出,减少了对电池的依赖。     

融合两阶段分解与 iJaya-ELM 的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。 针对已有文献在风速预测问题中采用的单一分解 策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与 iJaya-ELM 的混合预测模型。 首先,对原 始风速序列进行 ICEEMDAN 分解,得到 12 个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异 谱分解滤去序列噪声;提出一种改进的 Jaya 算法 iJaya,利用 iJaya 算法获取极限学习机 ELM 的最优连接权值与阈值,最后将各 个分量的预测结果线性集成得到最终结果。 以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁 棒性与通用性。 实验结果表明,iJaya 算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模 型能够有效提升风速预测精度,平均绝对误差与均方误差分别为 0. 067 9 和 0. 134 5。     

基于关联分析及堆栈自编码器的气象敏感负荷功率估算方法

气象敏感负荷的逐年增长是夏季电网负荷不断攀升的重要原因,准确估算此类负荷功率对电网运行调度、估计地区需求侧响应能力均有益处。提出了改进典型相关分析方法,建立了负荷-气象非线性关联模型,基于此可计算历史负荷数据中的气象敏感负荷功率。建立了基于堆栈自编码器(SAE)的气象敏感负荷功率估算模型,利用SAE的无监督学习提取日负荷曲线的降维特征,利用关联模型的计算结果作为有标签样本训练估算模型的全连接层,从而由日负荷曲线直接获得气象敏感负荷功率曲线。基于实际电网数据的算例结果验证了所提方法的有效性。