共查询到20条相似文献,搜索用时 15 毫秒
1.
构建新型电力系统是实现我国“双碳”战略目标的主要举措之一,风力发电和光伏发电作为两种最具代表性的新能源,其波动性和随机性给电网安全和新能源消纳带来了重大挑战,新能源功率预测是降低其随机性影响的核心关键技术。近年来,随着大数据技术和以深度学习、强化学习为代表的新一代人工智能(artificial intelligence,AI)技术在诸多领域的成功应用,其在新能源功率预测方面的应用仍有方兴未艾之势。首先该文论述AI技术在新能源功率预测应用的理论基础,并对AI技术在风电和光伏功率预测方面的应用进行系统总结,包括数据增强和特征构建等多种数据处理技术的应用,传统机器学习算法、深度学习算法以及组合算法在模型构建方面的应用,以及进化算法、群智能优化算法、强化学习等多种智能优化算法在模型训练和超参数优化方面的应用。然后,对当前相关文献进行统计分析,并基于新能源预测大赛结果和实际预测系统调研情况,对当前学术界研究热点和趋势、产业界模型应用情况进行对比和分析。最后,对当前新能源功率预测在场景自适应、小样本学习、数值天气预报系统(numerical weather prediction,NWP)数据时空分辨率、分布式新能源预测等方面存在的一些问题进行剖析,并对采用强化学习、元学习、图神经网络(graph neural network,GNN)等多种AI技术解决相关问题的前景进行展望。 相似文献
2.
由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。 相似文献
3.
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. 相似文献
4.
为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明:所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。 相似文献
5.
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。 相似文献
6.
7.
最大功率追踪(MPPT)控制策略是提高风力系统功率转换效率的重要方法.在研究了爬山算法和变步长算法的原理后,提出了固定步长和变步长相结合的3点比较算法,并在Matlab仿真环境中,构建3种算法的仿真模块,进行计算机仿真.对3种算法的仿真结果进行了分析比较,研究其各自在功率损失、响应速度、稳定性等方面的特性,对各种特性进行深入研究,通过对结果的量化对比分析,得到各种算法的优缺点和不同的适用环境. 相似文献
8.
9.
10.
针对当前主流的光伏发电功率预测方法中,深度学习算法训练耗时长、传统机器学习算法精度有待提升的问题,提出考虑多气象因子累积影响的光伏发电功率预测方法。首先,采用相关系数法筛选关联气象因子,并使用余弦距离的K-means++算法将训练集高效划分为K个类簇;在第1路预测中,使用关联气象因子构造二维气象矩阵,然后输入到柯西变异优化的特征金字塔网络(feature pyramid networks, FPN)模型,挖掘相关气象因子对光伏发电功率的累积影响;在第2路预测中,使用轻量梯度提升机(light gradient boosting machine, LightGBM)算法实现光伏发电功率的即时预测;借鉴集成学习的思想,将上述2组预测结果加权求和,得到最终的光伏发电功率预测结果。在关联因子筛选、聚类效果对比实验部分,取0.3为相关系数阈值,验证聚类个数取4为最优;在光伏出力预测算法对比实验部分,分别基于平均相对误差、均方根误差,计算所提算法的预测精度为88.12%、82.03%,均高于其他各项参照算法,从而证明了所提算法的可行性。 相似文献
11.
以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:"由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移",并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。 相似文献
12.
针对恒功率负荷(CPL)因负阻抗特性导致直流微电网母线电压失稳的问题,从限制CPL取值范围出发,引入深度学习算法分析系统的稳定性。首先,通过采用直流微电网机理模型仿真,建立初始数据库;然后,对数据库进行预处理,在此基础上,利用最大信息系数进行相关性分析,得到系统参数与CPL临界值之间的相关性强弱信息,并实现输入特征降维;接着,采用自定义损失函数与量化预测性能等方法设计适用于CPL临界值预测的深度学习策略。最后,针对不同场景的直流微电网进行仿真测试,并通过硬件在环实验验证所提深度学习策略的有效性和优越性。 相似文献
13.
《电网技术》2017,(2)
为了提高风功率预测精度及预测模型的泛化能力,提出基于改进Ada Boost.RT算法的风功率预测方法,可以有效提高弱学习算法的性能。首先建立核极限学习机(kernel extreme learning machine,KELM)模型,并用改进蝙蝠算法对其参数进行优化,通过引入局部搜索和莱维飞行使算法具有更好的搜索能力和跳出局部最优的能力。在此基础上进一步通过Ada Boost.RT算法生成多个KELM个体(即基学习器),在训练过程中不断调整每个基学习器的权重及训练集中每个样本的权重。最后用训练好的基学习器来对测试样本进行预测,并集成得到最终结果。从不同时间尺度应用不同月份的风电场数据进行仿真测试,同时与前馈(back propagation,BP)神经网络、支持向量机、极限学习机等预测模型对比,仿真结果表明所提方法具有较好的预测精度及泛化性能。 相似文献
14.
15.
16.
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。 相似文献
17.
精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R2,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。 相似文献
18.
19.
超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork, TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入。其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数。最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测... 相似文献