基于IPSO-BPNN的楼宇屋顶光伏出力功率超短期预测

在建筑光伏一体化技术的背景下,准确预测屋顶光伏输出功率对于优化建筑能源管理和确保光伏电力的稳定并网至关重要。提出了一种基于IPSO-BPNN的楼宇屋顶光伏出力功率超短期预测模型,该模型引入Sine混沌序列初始化和精英粒子反向学习策略,改进了基本的PSO算法,并利用此算法对基本BPNN模型的超参数进行优化,从而实现了对屋顶光伏出力功率更加准确的预测。预测模型性能测试实验表明,所提出的IPSO-BPNN预测模型在不同季节的预测准确性和稳定性都有显著提高。该模型能够准确预测屋顶光伏发电功率,为建筑光伏一体化系统的稳定运行和能源管理提供切实可行的解决方案。

基于Informer的负荷及光伏出力系数预测

为了支持可再生能源的布局及装机容量规划,长时间序列的电力负荷和光伏出力系数预测至关重要。光伏出力系数反映了光伏发电系统实际运行中的发电效率,但由于难以准确预测来年的气象信息,每日最大光伏出力系数的预测具有挑战性。为了克服这个限制,提出了利用每7 d计算1次的每日最大光伏出力系数的最大值和最小值构建一个包络线,通过预测该包络线的上限和下限,提供每日最大光伏出力系数可能的区间。这种包络线建模方式有助于在克服气象信息不确定性的同时提供更为鲁棒和可靠的预测结果。选用Informer模型作为预测框架,并与Transformer,LSTM和RNN模型进行了比较。基于实际电力负荷数据序列和光伏出力系数包络线上、下限数据序列进行仿真试验,验证了Informer模型的可行性和良好的预测精度。

基于相似日相关性聚类的LSTM短期光伏出力预测模型研究

为改善相似日聚类效果,提高光伏出力预测的准确性,提出了一种基于相似日相关性聚类的LSTM短期光伏出力预测模型。首先,计算各因素与光伏的相关性,筛选出与光伏出力相关程度较高的气象数据;然后,选取相关性系数分布均匀的光伏日出力过程作为初始聚类中心,以相关性为分类依据进行相似日聚类;最后,对不同聚类簇建立不同的长短期记忆神经网络(LSTM)训练模型。将相似日聚类与K-means聚类方法进行对比,结果显示相似日聚类的光伏出力预测均方根误差(RMSE)和平均绝对误差(MAE)分别降低了19.2%和34.0%,决定系数R2提高了4.8%,表明本文提出的基于相似日相关性聚类方法有效提高了光伏出力预测精度。

基于贝叶斯优化CNN-LSTM混合神经网络的短期光伏出力预测

光伏发电具有波动性、随机性及间歇性的特点,难以对其实现精准预测,本文提出了一种基于贝叶斯优化的卷积神经网络-长短期记忆网络混合算法模型的短期光伏出力预测方法,由此得到了比其他单一基准模型和多数组合模型更好的预测效果,具有一定适用性与应用价值。

光伏出力预测理论与方法综述

大规模光伏发电并网给我国电力系统运行的稳定性带来了巨大挑战,因此,光伏发电出力的精确预测至关重要。论文对光伏出力预测理论与方法进行系统综述。首先,对光伏出力预测进行分类,特别是按预测形式分为点预测和不确定性预测。其次,通过物理方法、统计方法、人工智能方法及组合方法进一步阐述光伏出力预测;其中从机器学习和深度学习两个方面对人工智能方法进行详细介绍。然后,梳理了点预测和不确定性预测的评价指标,归纳了人工智能预测模型的优化技术。最后,根据我国光伏出力预测的发展现状,对未来的研究趋势做出展望。

基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测

为提高光伏电站出力预测的准确性,给调度决策人员提供更丰富的预测信息,提出一种基于高阶马尔可夫链(high order Markov chain,HMC)和高斯混合模型(Gaussian mixture model,GMM)的光伏电站短期出力概率预测方法。首先对光伏电站的历史出力数据进行HMC建模,通过计算邻近时段光伏出力数据的Pearson相关系数确定马尔可夫链的阶数,并统计历史数据得到邻近时段光伏出力的状态转移概率矩阵。然后以此为基础建立GMM形式的光伏出力概率预测模型,并提出基于相似气象条件下的数据样本对GMM中各高斯分布的均值与方差进行修正,最终得到光伏电站出力的概率密度函数。以实际光伏电站数据为例进行分析,结果表明所提出的概率预测方法具有较高的准确性,且与传统的点预测方法相比,概率预测能够为电网运行决策提供更多有益信息。

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization,IGWO)的脉冲神经网络(spiking neural network,SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。

基于分位数插值和深度自回归网络的光伏出力概率预测

提出一种将分位数线性插值概率模型和深度自回归循环神经网络相结合的新型光伏出力概率预测方法,可以弥补传统方法在概率建模及刻画复杂非线性关系能力等方面的不足。首先,提出一种基于分位数线性插值的光伏出力概率模型,能够全面准确地刻画各种情况下的光伏出力概率分布。其次,提出使用连续分级概率评分(CRPS)作为训练预测模型的损失函数,并推导出CRPS积分的封闭解析表达式用于模型的训练,保证训练的可行性与效率。最后,使用深度自回归循环神经网络对光伏出力的时间序列建模,结合所提出的光伏出力概率模型,形成新型光伏出力概率预测方法。算例结果表明,所提方法能提供可靠、高质量的光伏出力概率预测。

计及预测误差时空-条件相依特性的日内光伏出力区间预测方法

由于光伏出力预测误差无法避免,区间预测可以更准确地描述光伏的不确定性,从而对电力系统的决策提供指导,而现有研究方法不能够充分地挖掘光伏功率的物理变化过程,因此提出了一种考虑预测误差时空-条件相依特性的日内光伏出力区间预测框架。首先通过外观相似性更新(appearance similarity update,ASU)模型得到考虑时间相依性的预测误差,再通过长短期记忆(long short-term memory,LSTM)网络模型以及空间相关性的分析得到考虑空间相依性的预测误差,并对预测的出力进行修正,最后依据其误差的条件相依性得到不同置信度下的区间预测。整体框架的效果在新疆光伏电场被验证,其均方根误差能够降低3%以上,同时考虑更新后的预测误差时空-条件相依性的区间预测效果有所提升,验证了所提方法的有效性和可行性。

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CEEMDAN与改进LSTM的短期光伏出力预测

为了提高光伏出力的预测精度,提出了一种将自适应噪声完备集成经验模态分解(CEEMDAN)算法与改进的长短时记忆(LSTM)神经网络相结合的短期光伏功率预测模型。首先,利用CEEMDAN算法对光伏功率序列进行分解,得到子序列分量。然后,使用改进的LSTM神经网络对各个子序列分量分别进行预测,用粒子群(PSO)算法优化LSTM神经网络隐藏层神经元个数、学习率与训练次数,同时使用注意力机制优化训练过程中的概率分配。最后,叠加各分量预测结果,得到最终的预测值。算例分析表明,所提模型的3个预测评估指标MAE、RMSE、R2均为最佳,验证了所提模型的优越性。

考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法

为了提高光伏出力短期预测精度,提出了一种考虑空间相关性采用长短期记忆LSTM(long short-term memory)神经网络的预测方法。该方法首先在周边光伏电站中依据光伏序列的延迟相关性选取参考电站,在此基础上,依据光伏出力随机性部分持续时间的概率分布,分时段对其进行空间相关性分析,选择与目标电站相关性较强的光伏序列;然后,结合目标电站气象数据的主成分分析结果和历史光伏数据,构建LSTM神经网络模型;最后,通过仿真实验分析验证了所提预测方法的有效性。

光伏出力预测方法与发展趋势

光伏发电是一种将太阳能转化为电能的可再生能源,具有环保、安全、无排放等优点,但也受气候、季节、地理位置等因素的制约,导致光伏出力呈现随机性、间歇性和不确定性等特点,给电网的调度和安全运行带来了挑战。因此,准确预测光伏出力对提高光伏发电的利用效率和保障电网的稳定性具有重要意义。本文综述了近年来国内外关于光伏出力预测方法的研究进展,主要分为统计方法、机器学习方法和组合方法3类,并分析和比较了各类方法的优缺点,最后展望了光伏出力预测方法的发展趋势。

基于MIV-PSO-BPNN的光伏出力短期预测分析

阐述应用MIV-PSO-BPNN模型进行光伏出力短期预测,结果表明,在雨天和晴天以及多云条件下,MIV-PSO-BPNN预测模型的预测效果与光伏电站实际出力曲线最为接近。在不同的天气条件下,MIV-PSO-BPNN预测模型在选择输入量时,探讨可以筛选出具有较强相关性的影响因素,并对模型网络的权值与阈值进行优化处理。

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。

光伏出力随机性分量的提取和统计特性分析

准确刻画光伏出力的随机特性对分析光伏电站并网的影响具有重要的作用。然而受日地运动和大尺度天气过程影响,光伏出力整体上却表现出日周期性和年周期性而并非一个单纯的随机序列,因此从光伏出力序列中区分规律性与随机性特征并正确提取出其随机性分量显得尤为重要。根据不同物理因素的影响,基于太阳辐射模型和最小二乘原理,提出了一种光伏出力随机性分量的提取方法。基于该提取方法,利用甘肃及德国的光伏实测数据对所提随机性分量进行了详细的统计特性分析。

基于非参数核密度估计法的光伏出力随机分布模型

光伏出力的随机性是影响光伏发电稳定性的重要因素。通过对国内某一光伏电站历史运行数据进行统计计算和分析,揭示气象条件差异对光伏出力水平的影响规律,并提出将数据按气象条件分类,用非参数核密度估计法建立晴天、多云、阴天、雨雪4种气象条件下光伏出力的随机分布模型。该方法对数据分布不附加任何假定,只从数据本身特征出发研究其分布特性,适合分析受气象影响显著的光伏出力分布特性。结果表明,模型所示分布特性与相应气象条件下光伏出力实际概率分布具有很好的一致性。

基于相似时段的分时段光伏出力短期预测

针对历史气象数据较少、天气波动较大时光伏出力预测精确度较低的问题,提出一种适用于小样本和多种天气下的分时段光伏出力综合预测法。该方法结合了分时段神经网络模型和相似时段筛选法,将分时段神经网络模型作为相似时段筛选法在相似度不够时的补充:分时段神经网络模型利用光伏出力历史数据对预测模型进行训练,采用近相似时段神经网络进行预测,摆脱了历史气象数据的制约。多种气象条件下对光伏出力的训练与预测验证了所提方法的有效性。

平抑光伏出力波动的混合储能系统控制策略设计

针对由电池和超级电容器构成的混合储能系统,设计了一种平抑光伏出力波动的储能控制策略。基于含阀值判断的低通滤波算法制定储能系统总充放电功率,在平抑光伏出力波动的同时避免对储能系统的过渡调控。综合考虑储能介质充放电状态,基于滑动平均原理制定储能介质的功率分配策略,以充分发挥不同储能介质的优势,优化储能系统的整体运行性能。仿真分析验证了所设计控制策略的有效性,储能系统可以较小的调控代价完成对光伏出力波动的平抑,且超级电容器平抑功率波动的快变分量,有效降低了储能电池的充放电次数。研究结果对混合储能系统在平抑光伏出力波动中的应用提供了理论参考。

基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用

为提高光伏出力的预测精度,提出了一种改进深度学习算法的光伏出力预测方法。首先,针对传统的深度学习算法采用批量梯度下降(batch gradient descent,BGD)法训练模型参数速度慢的问题,利用随机梯度下降(stochastic gradient descent,SGD)法训练快的优点,提出了一种改进的随机-批量梯度下降(stochastic-batch gradient descent,S-BGD)搜索方法,该方法兼具SGD和BGD的优点,提高了参数训练的速度。然后,针对参数训练过程中容易陷入局部最优点和鞍点的问题,借鉴运动学理论,提出了一种基于梯度累积(gradient pile,GP)的训练方法。该方法以累积梯度作为参数的修正量,可以有效地避免训练陷入局部点和鞍点,进而提高预测精度。最后,以澳大利亚艾丽斯斯普林光伏电站的数据为样本,将所提方法应用于光伏出力预测中,验证所提方法的有效性。