基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法(Northern Goshawk Optimization,NGO)优化双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解(Variational Mode Decomposition,VMD)将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.

基于二次分解的不同太阳辐射下光伏功率预测

考虑不同太阳辐射对光伏功率的影响,提出一种基于二次分解和改进粒子群算法的光伏功率预测模型。通过Spearman和Kendall对影响光伏功率的各气象因素进行相关性分析,发现总倾斜辐射、总水平辐射、漫射倾斜辐射、漫射水平辐射与光伏功率的相关系数较大。然后利用CLARANS将样本数据按太阳辐射强度分为强辐射、中辐射和弱辐射,针对3类数据采用自适应噪声完备集合经验模态分解(CEEMDAN)对关键气象因素和功率进行二次分解,充分挖掘时序信息并降低数据的不稳定性。提出一种改进粒子群算法(GWCPSO)用于优化卷积神经网络和双向长短期记忆网络的超参数,提高调参效率,最后构建预测模型进行光伏功率预测。分析3种太阳辐射类型下不同分解方法与网络模型的预测误差,结果表明,所的预测模型可有效提高不同太阳辐射下光伏功率的预测精度。

基于SMD与WaOA-CNN-LSTM的短期光伏功率预测

针对当前光伏功率预测模型所面临因数据的复杂性、信号处理过程的噪声干扰、非线性特征难以提取等问题而导致的预测精度低、稳定性差等多方面挑战,提出了一种融合二次模态分解(SMD)和基于海象算法(WaOA)优化CNN-LSTM神经网络的组合预测模型。首先,利用完全自适应噪声集合经验模态分解(CEEMDAN)对光伏数据进行分解,并结合K均值聚类算法(K-means)将多个子序列重构成低频、中频以及高频序列;其次,将含有残余噪声的高频序列采用变分模态分解(VMD)进行二次分解处理;最后,对各分量分别构建CNN-LSTM模型,并利用WaOA算法对网络参数进行寻优,将各分量的预测结果进行叠加,得到最终预测结果。SMD处理方法解决了传统数据处理方法模态混叠、低频分量过多和高频分量噪声残余等问题,CNN-LSTM模型能够捕捉数据中的空间关系和长期依赖关系,WaOA算法对模型参数的优化提高了模型的性能和效率。选取陕西某地光伏电站数据进行测试,通过多组对比实验进行验证,结果表明:所提方法具有更高的预测精度。

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition,CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression,RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network,BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。

基于QMD-HBi GRU的短期光伏功率预测方法

为了解决光伏功率数据固有的强不确定性导致单一预测模型预测精度不高的问题,提出一种基于二次模态分解和混合双向门控循环单元模型(hybrid bi-directional gated recurrent unit, HBiGRU)的短期光伏功率预测方法。首先,为应对光伏功率数据的不确定性,基于自适应噪声完备集合经验模态分解、样本熵和变分模态分解对光伏功率数据进行处理,得到一系列较为平稳的本征模函数分量;其次,构建HBi GRU模型以充分挖掘各分量与光伏功率影响因素之间的特征关系,得到各分量预测结果;最后,将各分量预测结果叠加得到短期光伏功率预测结果。以澳大利亚某地光伏电站数据进行测试,仿真结果表明:所提集成预测模型能够有效提高短期光伏功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%,决定系数提高了22.7%。

基于最大重叠离散小波变换和深度学习的光伏功率预测

针对光伏功率时间序列的非平稳特性,提出一种基于最大重叠离散小波变换(MODWT)和长短期记忆网络(LSTM)的光伏功率组合预测模型。利用皮尔逊相关系数确定影响光伏功率的重要气象因素,基于MODWT算法对历史光伏功率序列进行分解,将选取的气象因素与分解得到的平稳子序列共同构成各个LSTM网络输入,通过汇总重构每个LSTM网络的子序列预测结果得到最终的光伏功率预测结果。从理论层面分析所建立的MODWT算法的完全重构性,并基于李雅普诺夫稳定性定理推导保证预测网络收敛的学习率范围。仿真对比结果显示,所提出的光伏功率预测模型在预测精度和鲁棒性方面具有明显优势。

结合数据增强及组合算法的短期光伏功率预测

针对光伏发电数据完备性低、预测精度低的问题,提出结合数据增强及组合算法的短期光伏功率预测模型。首先,利用K-means++聚类算法对光伏数据进行天气分型;其次,利用条件生成对抗网络对光伏数据的分布规律进行学习,生成高质量样本;然后,优化变分模态分解的分解数和惩罚因子,进一步降低子序列的模糊熵值;最后,通过正余弦算法对深度极限学习机的输入权重和偏置进行优化,分别对各子序列进行建立预测模型。实验结果表明,所提模型具有一定的优越性。

基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此,提出了一种日前光伏功率预测方法,利用小波变换(wavelet transform,WT)将数值天气预报数据(numerical weather prediction,NWP)和光伏功率数据分解为具有时间信息的频率数据,消除数据信息中随机性和波动性对预测精度的影响,利用卷积神经网络(convolutional neural network,CNN)模型深度挖掘输入数据的季节性特征和空间关联特性,利用双向长短期记忆网络(bi-directional long-short term memory,BiLSTM)模型获取输入数据序列的时间相关性,构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象,在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM(long-short term memory)模型、GRU(gated recurrent unit)模型以及PSO-BP(particle swarm optimization-back propagation)模型的预测结果,计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

自样本特征构造的1DCNN-BiLSTM网侧光伏功率预测

为解决电网难以获取NWP数据和无法建立光伏功率预测模型的问题,提出一种自样本特征构造的一维卷积双向长短期记忆神经网络光伏发电功率预测方法。通过K均值聚类和功率骤减事件检测的特征工程获取细粒度的天气状态标签,实现基于自身样本的特征构造,以解决样本特征缺少问题;采用卷积和长短期记忆网络结合的模型结构,解决局部特征提取和长期依赖的问题。算例验证结果表明,所提方法改善整体的预测性能,降低多特征数据存在的数据匮乏和数据稳定性风险,为模型输入特征较少的网侧光伏功率短期预测提供一种有效途径。

基于VMD-SSA-HKELM的短期光伏功率预测

为提高光伏功率的短期预测精度,提出一种变分模态分解(VMD)与麻雀搜索算法(SSA)优化混合核极限学习机(HKELM)相结合的短期光伏发电功率预测模型。运用皮尔逊相关系数(PCC)选取与光伏发电功率相关性较强的气象因素作为预测模型的输入变量;以平方欧氏距离作为衡量样本相似性的依据,筛选出不同天气类型下的最优训练样本。为降低数据的非平稳性,利用VMD将原始光伏功率数据分解为一系列不同带宽的模态分量,对各模态分量分别建立HKELM模型,通过引入SSA算法对HKELM模型进行参数寻优。将各模态分量的预测结果进行求和重构,得到光伏功率预测结果。仿真结果表明,相比于反向传播神经网络(BPNN)、极限学习机(ELM)、核极限学习机(VMDKELM)和混合核极限学习机(VMD-HKELM)模型,VMD-SSA-HKELM模型具有更高的预测精度,验证了本文模型的精确性和有效性。

基于变分模态分解的光伏功率预测方法

为解决光伏功率预测时不确定性强、影响因素较多等问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的光伏功率预测方法。首先,对原始的光伏功率数据进行变分模态分解分解,分解为不同频率较平稳的模态分量;其次,计算不同模态分量的排列熵,根据排列熵将不同分量进一步合并,并在考虑不同影响因素(温度、辐射等)的条件下,分别将不同频率模态分量(intrinsic mode function,IMF)经过双向门控循环单元-自注意力(bi-directional gated recurrent unitattention,BiGRU-Attention)模型进行预测;最后,将不同频率分量的预测结果叠加重构得到最终预测值。对中国某地区光伏功率数据进行实验测试,实验结果表明,提出的模型相较于BiGRU模型,平均绝对百分比误差(MAPE)、均方误差(RMSE)和平均绝对误差(MAE),分别降低了11.25%、8.51%和11.92%,其预测误差得到显著降低。

基于DBSCAN-PCA和改进自注意力机制的光伏功率预测

光伏电站功率数据存在随机性和波动性的特征,研究精准的光伏电站功率预测模型成为未来电力发展中灵活的电力调度和管理的必要条件。对此提出一种基于混合DBSCAN聚类、PCA主成分分析和改进自注意力机制的光伏功率预测模型。首先采用DBSCAN聚类将分布较为分散和密集的历史数据进行分类,得到波动数据集和平稳数据集;其次利用PCA提取波动数据的主要成分序列,得到便于模型获得关键信息的时间序列;最后提取关键气象参数与具有感知上下文信息的改进自注意力机制模型进行互助式的动态建模。实验运用RMSE和MAE两个指标说明本文所提模型在每个季节下的平稳数据和波动数据都有较高的预测精度。

基于注意力机制的短期光伏功率预测

针对传统的光伏功率预测难度大、精度低等问题,提出一种基于注意力机制的短期光伏功率预测模型,将光伏电站的历史记录数据进行处理后导入到预测模型进行训练,利用CNN局部特征提取功能能力以及BiLSTM处理序列信号的能力,再结合Attention机制对不同特征进行权重系数分配。选取澳大利亚某光伏电站数据进行模拟仿真,将Attention-CNN-BiLSTM模型与LSTM等模型进行对比,验证了该模型有更好的预测精度。

基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测

高寒地区光伏系统因气象条件影响,其光伏功率表现出更显著的波动性。本文以黑龙江某光伏电站为例,提出基于数值天气预报(NWP)因子扩充和改进常规Stacking集成学习的高寒地区短期光伏功率预测方法。针对高寒地区光伏功率波动大的特点,引入NWP差分因子作为交叉特征,提升模型对天气变化的敏感性。随后,以极致梯度提升(XGBoost)和长短期记忆(LSTM)网络为基学习器,时间卷积网络(TCN)为元学习器,构建集成学习模型,并利用前向验证优化模型结构。最后,进行对比实验分析,结果表明本文所提方法具有更高的预测准确度和稳定性。

基于增量学习的CNN-LSTM光伏功率预测

针对目前大部分光伏功率预测模型采用批量离线训练方式,且新建光伏电站训练数据较少的问题,本文提出一种基于增量学习的卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的光伏功率预测模型。首先,采用CNN对气象数据进行特征提取,并通过LSTM网络进行功率预测,以此CNN-LSTM混合模型进行背景学习,训练出可用于增量学习的基准模型。其次,根据不同的时间跨度进行增量学习训练,实现模型的在线更新。针对增量学习中的灾难性遗忘问题,采用弹性权重整合(EWC)算法和在线弹性整合(Online_EWC)算法进行缓解。实验结果表明,相较于无约束的增量学习,采用EWC和Online_EWC方法的增量学习可以明显缓解灾难性遗忘问题,降低预测平均绝对误差(MAE)和均方根误差(RMSE);同时,在保证预测精度的前提下,增量学习的耗时大幅低于传统的批量学习。

基于改进乌鸦搜索算法的短期光伏功率预测

为了减小预测光伏发电功率时的误差,现提出一种基于改进乌鸦搜索算法,结合最小二乘积向量模型来进行短期光伏功率预测,最终通过软件构建模型与其他算法相比较得出该算法进行光伏功率预测提高了原始群体的品质以及丰富性,同时规避了被选取对象的无目的性,利用此种寻优算法极大程度地提高了最终结果的精确度,为短期光伏功率预测提供了一种方法。

基于DBO优化VMD-KELM的光伏功率预测模型

为克服光伏功率预测中的不确定性和复杂性,提出一种基于DBO优化VMD-KELM的光伏功率预测模型,该模型首先将一系列不稳定信号通过VMD分解后进行平稳化处理,接着将分解后的序列构建KELM模型,最后采用DBO优化参数,将预测数列进行整合重构。

基于CNN-XGBoost模型的光伏功率预测

为提升光伏功率的预测精度,首先,对数据预处理,包括缺失值处理及归一化处理;其次,利用皮尔逊相关系数分析出与光伏功率最匹配的气象因素,减少模型的输入维度,降低模型复杂度;最后,基于卷积神经网络-极限梯度提升决策树(convolutional neural network-extreme gradient boosting, CNN-XGBoost)组合预测模型进行测试。测试结果表明本文所提模型可以降低预测值的均方根误差,有效地提升了光伏功率预测的精度。

基于EMD-KPCA-LSTM的光伏功率预测模型分析

为了充分解决光伏预测中预测难度较大、随机性强以及预测时间跨度大的问题,提高光伏功率的预测精度,提出了一种基于EMD-KPCA-LSTM的光伏功率预测模型。采用EMD及PCA算法,将PCA与核函数融合,进一步处理非线性数列,并降低数据的维度,提高处理的精准度。依靠LSTM网络,构建多元的动态数字模型,为更加可靠地预测光伏功率提供了一种新的算法。