基于强化学习和组合式深度学习模型的超短期光伏功率预测

超短期光伏功率预测对光伏并网系统的安全运行有着重要意义.针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型.首先,采用小波包分解对原始光伏功率序列进行分解,初步降低了原始光伏功率的非稳定性.其次,在此基础上分别采用长短时记忆网络、门控循环单元与循环神经网络3个单一模型对光伏功率进行预测得到3个预测结果并加权组合.最后,利用强化学习的Q学习算法对组合权重进行优化,进而最大化组合模型的预测性能.以某地光伏电站实测数据进行实验,结果表明文中所提出的组合预测模型优于其他预测模型,并验证了所提模型的有效性.     

光伏发电功率预测方法综述

精确的光伏发电功率预测是实现光伏电站顺利并网的关键。然而,太阳辐射、气候和地理条件等因素会导致光伏发电功率频繁波动,给功率预测带来了巨大挑战。针对当前光伏新能源大规模并网的需求,从多个角度探讨了光伏发电功率预测的意义及其分类,综述了人工智能技术在光伏发电功率预测领域的最新应用,包括传统机器学习、深度学习和组合方法,并进行了对比和总结。目前研究的主要类型是单一光伏电站的超短期和短期光伏发电功率预测,深度学习方法和组合方法是主流预测方法,数据预处理、特征提取和误差补偿是提升预测精度的关键因素。最后,展望了人工智能技术在光伏发电功率预测领域的未来趋势和研究创新点。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

基于粒子群优化LS-SVM的光伏功率预测

提出一种基于优化最小二乘支持向量机的光伏功率预测方法。该方法采用最小二乘支持向量机(LS-SVM)分别构建春、夏、秋、冬四个预测模型,对光伏功率进行分钟级预测。选取了一组影响光伏功率的重要因素作为所建预测模型的输入特征,然后对所选特征和交叉验证预测误差之间的函数映射关系进行学习,并采用粒子群算法优化LS-SVM模型的参数。宁夏某光伏发电站实测数据的预测结果验证了该方法的有效性。     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于改进支持向量机算法的光伏发电短期功率滚动预测

光伏发电具有明显的波动性与随机性,对其短期功率进行预测可以更准确地实现电网能量管理和运行调度。首先提出了一种基于粒子群优化支持向量机算法(PSO-SVM)的光伏发电短期功率滚动预测模型;通过寻找相似日,以相似日的实际功率和预测日的天气数据作为模型的输入量,对次日一天的发电功率进行预测;再以次日的实际输出功率与预测功率进行滚动对比,当预测点不满足给定预测精度时,以当日实测数据对后期预测点的功率进行修正预测。仿真算例表明所提光伏发电短期功率的滚动预测模型可以更精确地实现功率预测。     

基于Kmeans-SSA-LSSVM的光伏短期功率预测

光伏发电受多种气象因素和环境因素的影响,具有明显的间歇性、随机性和波动性。为了提高光伏短期功率预测的准确性,提出了一种基于Kmeans-SSA-LSSVM的预测模型,以提高预测精度。首先使用Kmeans算法对天气进行分类,然后利用SSA优化后的LSSVM对各天气类型分别进行功率预测。结果表明与BP、SVM、PSO-SVM相比,Kmeans-SSA-LSSVM提高了光伏短期功率预测模型的精度,对电力系统并网调度有重要意义。     

基于ICEEMDAN-MBWO-WKELM短期光伏功率预测

针对光伏发电功率随机性强、波动性大且预测精度较低等问题,提出了一种基于改进自适应白噪声完备集成经验模态分解(ICEEMDAN)和多策略改进白鲸优化算法(MBWO)优化加权核极限学习机(WKELM)预测模型。首先,根据Pearson分析确定对光伏发电功率相关性较高的气象因素,并利用Kmeans++对历史数据进行聚类得到不同天气类型的相似日集。其次,利用ICEEMDAN将原始光伏功率分解为不同频率的子序列以降低其波动性。然后,对各子序列构建WKELM预测模型,并利用MBWO优化模型的核参数和正则化系数。最后,将各子序列的预测值相加得到最终的预测结果。以国内江苏某光伏电站真实数据为例对该模型及其他模型进行算例分析,结果表明此处所提组合预测模型具有较高的预测精度。     

大数据挖掘技术在光伏发电功率预测中的研究与应用

利用大数据挖掘技术对光伏发电功率数据进行建模,并以偏相关分析法对光伏系统发电功率与各个影响因子间的相关性进行分析,选取偏相关系数最为显著的影响因子作为输入样本,综合大数据挖掘技术中混沌神经网络(CNN)、支持向量机(SVM)、多项式回归与鲁棒平滑等多种算法的优点,建立了以混沌粒子群算法优化权重的组合预测模型,并利用该模型对某光伏系统的发电功率进行预测,验证了模型的有效性和精确性。     

光伏电站功率预测及其在电力系统中优化规划

光伏发电具有随机性和不确定性,太阳辐照度和温度会影响光伏出力。基于光伏系统历史记录资料,采用改进BP神经网络算法对光伏电站进行间接短期功率预测。该改进算法通过不断调整学习率来调整网络收敛速度,避免陷入局部最小;综合考虑电力系统的经济性与环保性,建立了以系统综合发电成本最小和污染物排放费用最低的综合单目标优化模型;并采用改进BCC优化算法对包含光伏电站的10机电力系统进行优化。算例分析结果表明,改进BP神经网络算法能准确预测太阳辐照度,且改进BCC算法能有效解决优化问题,该优化模型的合理性与有效性也得到验证。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。     

基于离线优化和在线决策的光伏智能楼宇能量管理算法

作为综合能源的重要发展形态，光伏智能楼宇的用电需求及光功率具有极大的不确定性，现有的能量管理方法很难完全适用，因此提出了基于离线优化和在线决策的光伏智能楼宇能量管理算法。首先，结合光伏智能楼宇的历史运行数据，建立了以运营收益最大化为目标的离线优化模型，通过离线优化为在线学习提供知识库；其次，为了实现分时电价条件下光伏智能楼宇的实时调度，建立了在线学习与认知规则相结合的在线决策算法，实时决策电动汽车充电功率以及可平移负荷的工作状况；最后，以某商业楼宇为例进行了仿真测试，结果表明所提算法在未来光功率、充电需求及可平移负荷未知的情况下具有良好的运行效果。     

基于数据驱动的太阳辐射估计和预测研究与展望

准确可靠的太阳辐射估计和预测信息对指导光伏电站规划、光伏发电功率预测等具有重要意义.数据驱动方法能够有效学习长期历史辐射数据特性且不涉及辐射机理的复杂公式分析,是当前太阳辐射估计和预测的主流方法之一.针对基于数据驱动的太阳辐射估计和预测研究,从其原理和关键技术方面进行比较论述,具体包括估计和预测模型的输入、主流数据驱动模型以及模型的精度提升方法,并针对当前太阳辐射估计和预测方法的研究现状及不足进行总结与展望,以更好地配合光伏发电技术领域内的研究和应用.     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于地基云图图像特征的光伏功率预测

光伏输出功率主要受太阳辐照度的影响,而天空中云的生成、运动以及消融会使太阳辐照度呈现随机性和波动性。地基云图可实时记录天空状况,因此获取地基云图的图像特征是光伏功率准确预测的关键步骤。对全天空成像仪采集的地基云图展开研究。首先,修复地基云图;然后,利用图像处理技术提取影响太阳辐照度变化的图像特征,包含光照强度、高频分量、透射率、天顶距离以及云因子特征;最后,将图像特征作为输入数据,光伏功率作为输出数据,利用梯度提升决策树算法构建光伏功率预测模型,实现光伏功率的预测。实验结果表明,采用从地基云图提取的图像特征构建的光伏功率预测模型,使得光伏功率预测的均方根误差可低于1%,为光伏功率的准确预测提供了一种技术手段。     

新一代人工智能在新能源领域中的典型应用场景分析

<正>随着能源结构变革,新能源产业得到快速发展,电网的复杂非线性和不确定性大幅提升。人工智能是智慧能源的核心支撑技术,具有应对高维、时变、非线性问题的强优化处理能力和强大的学习能力,可有效解决新能源领域面临的各种挑战。从光伏短期功率预测、光伏板积灰状态识别与分析及可再生能源日前场景生成三个方面对新一代人工智能在新能源领域中的典型应用进行了分析,为未来人工智能在新能源领域的融合应用提供参考。