基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。     

基于生成对抗网络的小样本光伏发电短期预测

光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素。利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法。利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充。通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型。公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4%,对新建的太阳能电站发电预测具有实际指导意义。     

考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测,忽略了地理位置偏移带来的气象信息时移,难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中,采用最优时移对气象数据进行偏移修正;在数据驱动模型中,引入时间模式注意力机制削弱气象数据偏移的影响。然后,通过Stacking集成学习框架将两种方法进行融合,形成机理-数据混合驱动模型,进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明,所提方法能够有效利用偏移地理位置的气象数据,实现更高精度的分布式光伏发电功率预测。     

基于空间相关性的分布式光伏超短期预测技术研究

因历史出力数据的缺失及精确数值天气预报的无法获取,很大比例的分布武光伏电站不能利用现有成熟技术对其出力进行超短期预测。提出了一种基于空间相关性的分布式光伏超短期功率预测技术。基于分层聚类算法对光伏电站间空间相关关系进行判断及匹配,从而得到目标光伏电站到参考光伏电站的空间映射关系。基于BP~人工神经网络算法对参考光伏电站的超短期功率进行预测,并将预测结果作为空间映射关系的输入,计算出目标光伏电站的超短期功率预测。仿真算例结果表明:基于空间相关性的预测方法利用最近48 h内的历史出力,达到了精度较高的超短期预测效果。     

基于改进相似时刻法的分布式光伏功率短期预测方法

针对分布式光伏电站输出功率影响因素较多、影响程度差异较大，导致预测精度低等问题，提出了基于改进相似时刻法的分布式光伏功率短期预测方法。首先，将基于通径分析确定的简单相关系数作为阈值，筛选出气象、时间、负荷中与光伏输出功率相关性较强的主要影响因素。其次，基于简单相关系数优化权重的优劣解距离法（technique for order preference by similarity to ideal solution, TOPSIS）确定气象相关度；基于模糊排序法量化的时间因子线性加权确定时间相关度，基于电流参数直接量化确定负荷相关度。再次，由3个维度的相关度参数加权得到综合影响相关度，并建立短期光伏功率预测模型。最后，以某分布式光伏电站实测数据为例，验证了基于改进相似时刻法的分布式光伏功率短期预测具有较高预测精度。     

基于样本数据迁移学习的贫资料地区小水电超短期出力建模及发电预测EI北大核心CSCD

富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,基于卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,LSTM)混合的迁移卷积时空网络(transfer convolutional neural network-long short term memory,TCNN-LSTM),提出了一种样本数据迁移学习方法。以一组具有代表性的丰富水电长期运行数据库为源域;首先,为使迁移前后的任务数据域更相近,提出了跨水电相似数据匹配算法,对源域多维度的长期数据进行时序分割,并计算各子序列与目标水电短期数据的匹配度,筛选高相似片段提纯源域,以提高迁移学习模型的正向迁移率与准确度;然后,利用卷积时空网络(convolutional neural network-long short term memory,CNN-LSTM)对源域进行预训练并提取公共知识,通过网络参数微调(fine-tuning,FT)的方式将预训练模型外推到数据稀缺的目标小水电中,以实现少样本条件下的数据特征迁移学习。最后,以四川某地区为实例验证该算法在贫资料小水电样本数据欠缺情况下的有效性与鲁棒性,相比传统深度学习,本方法将预测均方根误差平均降低16.54%,具有一定工程实用价值。     

基于SVR残差修正的光伏发电功率预测模型

作为一种重要的分布式电源,光伏发电发展迅速且当前部分地区的渗透率不断升高,对区域电网的安全稳定运行造成了严重的影响。光伏功率超短期预测可以为区域电力调度提供必要的数据支撑,促进新能源消纳目标的实现。但是光伏电源自身的波动性特性使光伏功率预测的精度难以提高。鉴于此,本文提出了一种考虑功率修正基于差分自回归移动平均模型(ARIMA)的光伏发电功率预测模型。首先,以光伏电站现场采集的功率时间序列数据建立ARIMA模型进行预测日发电功率的初步预测;其次,利用前一个气象相似日的预测残差数据建立支持向量回归模型对预测日的ARIMA预测残差进行预测;最后,对初步预测结果进行修正。现场实际数据建模证明了本文方法的有效性。#$NL关键词：光伏发电; 功率预测; SVR; ARIMA#$NL中图分类号：TM615     

基于ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测.本文建立了一种基于ARMA模型的光伏电站预测模型.结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较.大量的数据表明,ARMA预测模型有较高的精度,能够...     

基于特征迁移的光伏功率短期预测

随着国家对可再生能源占比要求的不断提高,新光伏电站的建设需求随之增加.为解决新建光伏电站历史数据不足问题,建立基于特征迁移学习的光伏功率短期预测模型.模型采用日辐照度特征、光伏电池温度和t-SNE算法对气象数据进行特征提取,构建具有泛化能力的高识别度预测模型特征.根据迁移学习理论,将长期运行的光伏电站历史数据用于GRU...     

光伏发电功率预测方法的探索

首先,分析了影响光伏电站输出功率的各类气象因素,再根据物理原理建立了气象因素与光伏电池板电气特性之间的关系,最后,通过光伏电池的二极管模型及逆变器损耗模型实现了对光伏电站输出功率的预测,并根据某光伏电站的实测数据对功率方法进行验证。预测结果表明,该方法有较高的预测精度,能够满足工程应用的要求,且不受历史数据的限制,可用于新建光伏电站的功率预测。     

基于卫星遥感的超短期分布式光伏功率预测

光伏功率预测对于电网调度具有重要意义.该文针对缺少辐照度测量装置的分布式光伏电站,提出一种基于卫星遥感的超短期分布式光伏功率预测方法.首先基于Res-UNet模型对短波辐照(SWR)网格进行时空预测;然后对预测的SWR网格进行空间插值得到地面分布式站点的未来辐照度;最后构建基于编解码器的长短期记忆(LSTM)模型预测光...     

基于 BiLSTM-Attention 的迁移学习变工况故障识别方法研究

针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题,提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域;并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention, BA)模型,之后使用此模型学习源域数据特征;最后利用迁移学习通过对目标域数据的学习,进一步优化调整BA模型的网络参数,最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例,结果表明,该方法与传统故障诊断方法BiLSTM-Attention相比,其综合评价指标F_1-score有3.4%的提高,故障平均诊断准确率在91%以上;同时针对变工况下的故障分类结果较为稳定。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

基于ACO-VMD-LSTM的光伏功率超短期预测研究

针对传统光伏功率超短期预测算法精度不高的问题,提出一种基于改进变分模态分解的长短期记忆网络的光伏功率预测模型。首先利用Pearson相关系数分析光伏功率影响因素,其次利用基于蚁群算法优化的变分模态分解对光伏功率序列进行分解,并将各模态分量级气象因素作为长短期记忆网络的输入,得到预测功率。仿真结果表明,与BPNN、LSTM模型相比,所提出的预测模型具有较高的预测精度,可为光伏电站功率预测提供参考。     

基于对抗迁移的旋转组件RUL预测方法研究

目前大多数旋转组件深度学习剩余使用寿命(RUL)预测方法通常是假设训练数据和测试数据有相同的数据分布，造成模型在不同工况下的预测准确率比较低。为了解决上述问题，以旋转多组件RUL预测模型为迁移对象，针对源域与目标域工况存在差异，目标域缺乏标签样本的迁移场景，引入了域分类器，结合源域的标签数据目标域的无标签数据重新训练RUL预测模型中的特征提取网络，在训练过程中加入自关联性及对应性约束，提升其对公共特征的提取能力，从而实现模型在不同场景的迁移应用。利用XJTU-SY公开数据集对迁移模型测试结果表明，相对于原预测模型，本文所述方法在新工况下的预测准确率更高；相比于其他迁移方法，本文方法预测误差更小，在变工况下的旋转组件剩余使用寿命预测迁移问题上具有更好的效果。     

基于改进相似日算法的光伏电站功率预测

针对传统光伏电站功率预测方法精度不高的问题,给出一种基于改进相似日算法的广义回归神经网络功率预测方法.在该方法中,提出一种对日相似度与前趋势相似度进行多目标优化来选取相似日集的改进相似日算法,并建立了基于此算法的广义回归神经网络功率预测模型,以太阳辐照度、温度和湿度作为模型输入,光伏电站发电功率作为模型输出,提前一天预测间隔为1h的输出功率.利用甘肃某光伏电站的实测数据进行仿真,结果表明,该方法较传统功率预测方法有更高的预测精度.     

模型与数据混合驱动的分布式光伏超短期功率预测

针对光伏短期预测不能考虑云团因素以及云团移动机理建模复杂的问题,对模型与数据混合驱动的分布式光伏超短期高精度功率预测方法进行研究。首先,采用深度神经网络模型,实现辐照度和温度与光伏功率的高精度拟合;其次,基于区域多个分布式光伏电站的实际监测数据,建立数据驱动的云团遮挡判别模型;最后,结合云团遮挡情况及其移动态势对邻近电站的影响分析,实现分布式光伏超短期功率的精准预测。依托国内某区域多个分布式光伏电站历史数据进行算例分析,仿真结果验证了所提分布式光伏超短期功率预测方法的有效性和实用性。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。