基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测

现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄。

基于相似日和CAPSO-SNN的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素,提出以综合相似度指标进行相似日选取;以SNN强大的计算能力和其善于处理时间序列问题的特点为基础,结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值,减少对权值的约束,提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估,结果表明,该模型比传统预测模型具有更高的预测精度和更好的适用性。

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机(RVM)的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机(SVM)模型相比,RVM模型预测精度更高。

基于小波分析和集成学习的光伏输出功率短期预测

针对光伏输出功率的预测精度影响系统安全调度和稳定运行的问题,该文建立了基于小波分析和集成学习的光伏输出功率短期预测模型。考虑到光伏输出功率的波动性与随机性,引入小波分析将数据分解成趋势项和随机项,并分别对其建模。其中,趋势项采用SVM算法,随机项采用BP算法进行预测处理;再考虑到随机项的非平稳性和BP算法的固有缺点,为提高预测精度,将集成学习引入随机项的预测模型。大量测试结果表明,基于小波分析和集成学习的短期预测模型的预测精度优于现有几种模型。

可再生能源发电并网后大电网运行的智能调度

随着风力发电等可再生能源的并网及需求响应的实施,电力系统平衡稳定运行的不确定因素显著增加。为应对这些不确定性,区域输电组织(RTO)或大型电网公司的调度系统需要在传统的实时监控基础上有更强的超前预测能力。提出了一种新型的调度体系——发电控制应用(GCA),以应对可再生能源并网带来的挑战。此系统凭借动态的、鲁棒的调度算法和灵活的系统配置,使调度系统可以确保电力系统具有足够的跟踪能力以应对可再生能源的不确定性、间歇性,保证大电网运行的可靠性。

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。