基于长短期记忆网络数字孪生体的短期光伏发电预测

光伏发电功率的预测对电网稳定以及安全地运行有重要意义,提出一种基于长短期记忆网络(long short term memory,LSTM)数字孪生体的预测模型,通过数字孪生体模型实现光伏发电功率的精准预测。数字孪生体分为物理空间与数据空间,首先根据物理空间得到的气象孪生数据由LSTM算法获取初步的预测功率,同时更新历史气象数据库。然后在气象数据库中找到相似日,对比相似日的预测功率和实际功率,对初步的预测功率进行误差修正,得到最终光伏功率预测值。文中所提的数字孪生体实现了物理实体与数据驱动的连接,同时物理实体可进行自我学习和更新,因此相较于传统的光伏预测结果更为精确,通过仿真算例进一步证实数字孪生体预测的准确性。

考虑光伏机理与数据驱动结合的短期功率预测

精确的光伏功率预测对电网的可靠与稳定运行至关重要。现有研究大多数都是将天气条件直接作为数据驱动的输入,未深入分析天气条件与光伏输出功率直接耦合关系,因此将机理模型与数据驱动方法相结合,提出一种新型的光伏功率预测方法。首先,建立光伏系统物理模型,依据建立的物理模型得到不同的辐照度分量以及光伏电池温度。其次,将这些关键的天气特征重新构建数据驱动的输入,实现光伏机理与数据驱动结合的短期功率预测。最后,进行误差修正然后得到最终的光伏功率预测结果。根据光伏系统实测数据集进行仿真分析,结果表明:因为从物理模型得到了关键天气特征,考虑了天气条件与天气因素的耦合关系,预测精度有了明显提升,验证了所提方法的有效性。

计及机理机制的Stacking集成光伏发电预测

准确地光伏预测对电力调度、容量分析和机组组合至关重要。现有的数据驱动预测算法在计算速度和预测精度上有一定的提升,但未能考虑光伏发电的内在机理,存在泛化的风险。针对上述问题,提出了一种基于Stacking框架的机理模型和数据驱动结合的预测模型。其中,光伏发电机理模型将嵌入Stacking框架一层预测结构,构成基于长短期记忆神经网络(long short-term memory,LSTM)、极度梯度提升树(extreme gradient boosting,XGBoost)和机理模型的并行预测学习器。机理模型将光伏发电限制在一个合理的范围内,作为数据驱动模型的预测约束。所提出的模型能够从机理模型中提取有用的固有信息,并利用数据分析的能力提取历史数据中的非线性关系。基于安徽省某地区实际数据分析,所提模型相比传统数据驱动方法具有更高的精度。

计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。