基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集...     

基于多特征分析提取的随机森林超短期光伏功率预测

随着新能源的大规模利用,光伏渗透率稳步增长,准确的光伏功率预测能为电网企业带来较多效益。基于此提出了一种多特征分析提取的随机森林预测模型,用于超短期光伏功率预测。首先,对收集到的光伏数据进行预处理,清理缺失值和重复值;再次,对影响因素进行相关性分析,选取相关性强的因子;然后,对筛选后的因子进行输入特征量选择,将处理后的特征向量作为预测模型的输入;最后,建立随机森林预测模型,并与BP、RBF、MLP模型对比。实证结果表明,所提模型具有较好的拟合度和更高的预测精度,对光伏预测工作有一定的指导意义。     

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。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于时间序列的深度学习光伏发电模型研究

为了减少光伏系统接入电网产生的不利影响,并对预测光伏功率输出进行研究,提出了一种基于数据中潜在季节类别的混合深度学习模型。整个模型分为三个阶段,即聚类、训练和预测。在聚类阶段,采用相关分析和自组织映射来选择历史数据中相关性最高的因素。在训练阶段,将卷积神经网络、长短期记忆神经网络和注意力机制相结合,以构建用于预测的混合深度学习模型。在预测阶段,按测试集的月份选择分类的预测模型。实验结果表明,该实验方法在7.5 min内的间隔预测中具有较高的准确性。     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

微电网光伏发电的Adaboost天气聚类超短期预测方法

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。     

基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于灰色模型的短期电力负荷预测系统设计

高精度的短期电力负荷预测在现代电力系统的安全和经济运行中起着重要作用。介绍了短期电力负荷预测系统的结构与数据库E-R图。给出了预测考核标准公式,该预测系统具有界面美观、简单适用等特点。实践证明,系统在减轻调度人员负担,实现调度自动化方面发挥了重要作用。     

基于提升人工神经网络的短期负荷预测模型

本文提出了一种基于提升人工神经网络的短期负荷预测方法。该方法由一组经过训练的人工神经网络迭代组合而成。在每次迭代中,对新的人工神经网络模型进行了调整,使前期迭代的模型得到的估计值与真实值之间的误差最小化。通过仿真可知,当计算输出的模型个数大于20时,可以获得较低的预测误差,与现有方法相比具有更高的预测精度。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

基于天气分型的短期光伏功率组合预测方法

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。     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用

光伏系统输出功率具有随机性和波动性的特点,光伏系统并网以后可能引起运行和可靠性问题。提前对光伏发电功率进行准确预测有利于电力部门及时调度和保证电能质量,从而保证电网的安全运行。在分析灰色预测模型局限性的基础上,将灰色-马尔可夫链组合预测模型应用到光伏功率短期预测中,并阐述了其建模原理。通过对灰色模型拟合值的相对残差序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型。通实际算例分析,证验了所提组合模型的准确性和简便性。