基于SOA优化的光伏短期出力区间组合预测

将点值预测扩展为区间预测,利用光伏出力相似日样本中区间中点和区间半径进行预测,采用常规的BP神经网络算法、GM(1,1)灰色算法、支持向量机(SVM)算法分别预测,利用人群搜索算法(SOA)对各种区间预测的组合权值进行优化,并设定意愿系数将多目标优化转换为单目标优化.仿真结果表明,所提出的区间预测方法具有较高的预测精度...     

基于MIV-PSO-BPNN的光伏出力短期预测

针对高比例光伏接入电网时,光伏出力的波动性会严重影响电力系统稳定运行的问题提出一种基于平均影响值与改进粒子群优化神经网络的组合式光伏出力短期预测模型。首先,采用直接预测法,选取总辐射量、直接辐射量、散射量、相对湿度、气温、风速和降雨量7个影响光伏出力的因素,构建MIV-PSO-BPNN模型,基于Rapid Miner数据挖掘得出降雨量对光伏出力平均影响值为0.0099,影响较小,不作为模型输入变量。然后,用改进PSO优化算法对BPNN的权值与阈值进行优化。最后,利用上海浦东国际机场T2-2光伏电站数据进行验证,结果表明MIV-PSO-BPNN模型对光伏出力预测有效,在实际中有一定应用价值。     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

基于PCA-GA-Elman的短期光伏出力预测研究

针对光伏发电出力随机变化,提出一种PCA-GA-Elman模型对光伏有功功率进行短期预测方法,用于提高电网对可再生能源的调度能力。该方法首先采用主成分分析法对原始数据进行降维;接着使用遗传算法对Elman神经网络的反馈因子进行寻优;然后利用训练集构造PCA-GA-Elman预测模型;最后在对比仿真中验证所提方法的有效性。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理,利用K-均值算法将降维数据分成3种类型气象数据;然后采用MEEMD对每类光伏出力序列进行分解,将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能,实验结果表明该模型可生成高水平光伏预测区间,能够为电力系统经济稳定运行提供可靠的决策保障。     

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

一种光伏短期出力区间预测方法

该文建立基于相似日模糊信息粒化和Elman神经网络的光伏短期出力区间预测模型。首先对原始序列进行相似日的选取,然后将提取的样本利用模糊信息粒化进行处理,确定预测区间的上下界,并结合Elman神经网络分别预测,构建区间预测模型。仿真结果表明,所提出的区间预测方法具有较高的预测精度和实用价值。     

基于小波-智能算法组合模型的光伏出力预测

光伏出力具有强非线性和非规律性的特点,因而其预测存在诸多困难。通过对光伏出力数据进行小波分解,获得其出力数据的低频与高频部分,再分别选取合适的智能算法模型预测低频和高频部分,最后将各部分加总还原为原始数据的预测值。通过对某光伏发电设备的出力数据进行预测计算,证明基于小波分解的组合预测模型在光伏出力预测方面具有较高的准确性与可靠性。     

基于IOWA算子的短期光伏发电量组合预测

摘要： 为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明：所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。     

基于改进时间卷积网络的短期光伏出力概率预测方法

为提高光伏出力的预测精度,提出基于改进时间卷积网络的短期光伏出力概率预测方法。首先,通过递归特征消除确定特征数量,采用分组整合方法进行特征选择;然后,采用变分模态分解处理光伏出力序列;最后,构建一种结合注意力机制的改进时间卷积网络预测模型,得到未来时刻不同分位数下的预测值,再利用核密度估计得到概率密度曲线。实验结果表明,提出方法具有更高的预测精度,可有效反映光伏出力的不确定性。     

基于EEMD-GRNN方法的光伏电站短期出力预测

针对目前光伏电站短期出力预测准确性差的问题,提出EEMD-GRNN预测方法(集合经验模态分解和广义回归神经网络)。该方法首先根据天气变化情况将天气分情况为2大类——突变天气和非突变天气。然后利用EEMD分解法对分类天气历史小时出力数据进行分解,最后建立自适应GRNN预测模型进行预测并进行算例验证。结果表明EEMD-GRNN预测方法的预测误差满足预测要求,可使用该光伏电站短期出力预测。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

基于Spearman系数和TCN的光伏出力超短期多步预测

研究一种基于Spearman相关系数和改进时间卷积网络（TCN）的超短期多步光伏功率预测方法。首先,采用Spearman相关系数方法对输入的天气特征量进行筛选;然后,构建合适的时间卷积网络使其适配光伏功率预测问题。经过实际的光伏电站数据测试,单步预测模型拟合度为99.41%,预测平均绝对误差为61.04,均优于传统的长短期记忆神经网络（LSTM）。     

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。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于天气预报的光伏输出功率短期预测

提出一种基于天气预报的光伏输出功率短期预测模型。该模型包括倾斜面辐射基值部分和与气象类型密切相关的光电转化系数值部分。利用地理位置和光伏阵列安装特性计算辐射基值,结合大量历史数据和天气预报状况拟合光电转化系数,得出不同季节、不同气象类型下的光电转化系数值,最后给出了光伏输出功率短期预测模型的数学表达式,并通过实例进行了验证。预测结果表明,该预测模型简单有效,适于工程实际应用,具有较高的精度。     

基于多权重混合分布模型的光伏出力波动特性研究

建立光伏发电理论出力模型,通过求取其实际出力和衰减理论出力差值提取光伏出力的随机性分量,采用不同单一概率密度函数对随机性分量进行拟合,并分析拟合结果存在较大偏差的原因。为降低拟合偏差,采用基于二分K均值聚类的权重值划分方法,提出三权重混合t Location-scale概率密度函数模型以描述光伏出力波动量的数字特征。最后通过Matlab仿真结果与指标值验证所提出模型拟合效果的优异性。     

基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测

光伏出力受随机气象因素的影响而具有极大的不确定性,预测不准将影响配电网系统运行的安全性和稳定性。提出基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测模型,按天气类型分类进行模型训练。算例结果表明,所提模型在时间序列预测能力及峰值准确性方面都具有良好的性能。     

基于tGSSA-DELM的短期光伏发电功率预测

针对目前光伏发电预测的预测耗时和预测精度不足等问题,提出了一种基于皮尔逊相关性分析、改进的麻雀算法（tGSSA）和深度极限学习机（DELM）的组合预测方法。该方法首先通过皮尔逊相关性分析方法对影响光伏出力的主要因素进行筛选,然后采用黄金正弦搜索策略、自适应t分布和动态选择策略来增强麻雀算法的全局搜索能力和局部寻优能力,最后利用tGSSA群智能优化算法对DELM中的输入权重和偏置进行寻优,在得到最优输入权重和偏置的情况下对光伏发电功率进行预测。以澳大利亚某光伏站一年数据按季节划分后进行预测研究,将本文模型与DELM,SSA-DELM,GA-DELM,ABC-DELM,WOA-DELM进行预测对比,结果表明,相比于其他算法改进模型和传统模型,tGSSA-DELM在预测精度、预测稳定性和工作效率中具有较大优势,具有更强的适用性。