基于极限学习机分位回归的光伏出力区间预测方法

提出一种基于极限学习机分位数回归算法(QRELM)并考虑季节特性的短期光伏出力区间预测模型。首先以光伏出力与经过主成分分析(PCA)降维的气象因子组成QRELM输入样本,学习内在规律并生成不同分位水平分位数;进一步以综合评价指标为目标函数,使用改进的差分进化算法(DE)对不同分位数线性加权组合得到预测区间上下界,实现对光伏出力区间的单步超前预测。实验证明,相比传统神经网络算法,分季节训练QRELM模型、PCA与DE组合算法可以有效提高预测区间性能。

基于组合数据清洗与NL-ConvLSTM模型的多步风电功率预测

针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用DBSCAN算法和最优组内差分法(OIV)组合筛删异常值,随机森林(RF)算法填补缺失值,提升数据准确性;并建立基于以ConvLSTM为单元的编码-预测(EF)网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在ConvLSTM模型的输入侧添加具有自注意力机制的非局部(NL)模块增强数据特征表现,从而搭建组合数据清洗方法的NL-ConvLSTM多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。