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。

光伏出力预测方法综述

随着可再生能源的快速发展,光伏发电系统在电网中的应用越来越广泛。为实现电网的可靠性和稳定性,对光伏出力进行准确预测至关重要。对当前光伏输出功率预测的方法进行总结与分析,包括统计法、机器学习法和深度学习法,并针对它们的不足之处进行比较和讨论。通过对这些方法的研究和分析,为未来光伏出力的预测提供一些参考。

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。

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。

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。

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。

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。

一种改进的灰色BP神经网络光伏出力预测方法

光伏出力的准确预测对于光伏发电系统的大规模应用具有重要意义。针对光伏出力预测描述自然规律困难及传统灰色模型预测精度不高等问题,提出了一种基于改进的灰色BP神经网络光伏出力预测方法。利用模糊c均值聚类(FCM)的方法将数据分类,选择与预测日最为接近的一类作为样本,利用灰色GM(1,1)预测模型得到预测数据。将灰色模型预测结果与相对应的日最高、最低温度作为BP神经网络的输入,以对应的实测数据为输出训练得到最终的预测模型。采用江苏某光伏电站的实测数据验证,结果表明该模型在预测精度上有一定的提升。

基于模糊C均值聚类和样本加权卷积神经网络的日前光伏出力预测研究

为了应对大规模光伏并网给电网调度带来的挑战,提出了一种模糊C均值样本加权卷积神经网络(fuzzy c-meansweighted samples-convolutional neural network, FCM-WS-CNN)模型对日前分钟级光伏出力进行预测。首先采用距离相关系数和主成分分析法在原始气象数据中提取综合气象因子,再利用综合气象因子和历史功率数据的5个统计指标作为聚类特征,使用模糊C均值聚类将历史数据分为不同天气类型,基于隶属度矩阵对训练样本进行加权。最后利用加权后的训练数据构造FCM-WS-CNN模型。在实验分析中将上述方法与CNN模型和FCM-CNN模型相比较,结果表明所提出的方法具有更高的精度和鲁棒性,验证了所提模型的有效性。

基于细粒度特征的BOA-GBDT光伏出力预测

光伏出力与天气模式密切相关,深度挖掘天气模式特征信息能有效提高光伏出力预测精度。由于信息粒度的粗细程度对光伏出力预测的精度有影响,使用粗粒度的原始特征或聚类特征的传统光伏出力预测方法在预测精度方面存在提升空间。针对以上问题,提出了一种基于细粒度特征的贝叶斯优化梯度提升树(Bayesianoptimizationalgorithm gradient boosting decision tree,BOA-GBDT)光伏出力预测方法,该方法首先对日间每条气象监测数据及光伏出力监测数据构建细粒度特征,包括瞬时天气模式特征及时窗趋势性特征,然后采用贝叶斯优化算法(Bayesianoptimization algorithm,BOA)对细粒度特征的种类进行约减,最后通过(gradient boosting decision tree,GBDT)模型拟合特征与光伏曲线的关系,建立BOA-GBDT光伏出力预测模型。对实际算例进行误差分析,结果表明相比传统支持向量机(support vector machine,SVM)方法,该方法构建的预测模型运行时间平均减少97.3%,均方根误差平均减少80.4%。验证了该方法的有效性。

能源互联网下基于HS-Elman的光伏出力预测研究

文章在阐述能源互联网概念的基础上,针对光伏出力的预测问题,提出了一种基于天气类型的改进Elman神经网络(HS-Elman)光伏出力预测模型。首先,分析了天气类型、环境温度、空气湿度、风速、太阳辐照度等对光伏出力的影响;然后,利用和声搜索算法对预测模型的权值和阈值等进行优化;最后,利用上海某能源网实验平台的历史数据,对所提出的预测模型进行验证。分析结果表明:基于HS-Elman的光伏出力预测模型的预测结果能够达到光伏出力的预测标准;与传统的Elman神经网络相比,在不同的天气类型条件下,文章所提出的预测模型具有更优的运算速度和预测精度。

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。

基于相似日选择联合PSO-RBF的光伏出力预测方法

针对传统径向基函数(RBF)光伏发电系统输出功率预测模型精度较低问题,提出一种基于相似日选择联合改进粒子群算法(PSO)优化的RBF神经网络光伏出力预测模型。首先采用波动指数、晴朗因子、温度指数和湿度指数4维特征对不同天气类型进行量化,进而提出一种相似度指标以衡量历史数据与预测日之间的相似程度并自动完成相似日选择,然后利用改进的PSO算法对RBF网络参数进行自动寻优,从而解决RBF网络参数选择困难、易陷入局部极值的问题。最后以实际光伏发电系统出力数据作为研究对象开展试验,结果表明所提方法相对于传统RBF神经网络方法可以获得更优的预测精度,并且对不同气候条件具有更强的适应能力和稳定性,具有较高的推广应用价值。

一种基于多链MCMC算法的电力系统光伏出力预测模型

建立了一种多链马尔科夫-蒙特卡洛(MCMC)算法,构建了满足条件分布要求的马尔科夫链对光伏电站进行了模拟测试,确保不同光伏电站间形成良好的相关性。总共仿真测试了3组相关程度不同的光伏电站出力序列,并将所得仿真结果和传统单链算法进行了对比,结果表明采用该算法来分析不同相关程度的光伏电站出力序列过程中可以实现对光伏电站相关性的准确模拟,实际生成序列的各项统计参数能够较好吻合历史序列,由此表明该文算法对于分析存在相关性的多光伏电站出力时间序列方面是完全有效的。

一种多链MCMC电力系统光伏出力预测模型及其算例分析

为了提高电力系统光伏出力预测精度,论文建立了一种应用多链马尔科夫-蒙特卡洛(MCMC)算法的预测模型,并展开算例分析。研究结果表明:通过多链算法生成的序列概率密度度达到了和历史序列非常接近程度,有效反映了对历史序列实施统计的情况。在光伏电站达到较高的相关性时,采用多链算法计算出的预测序列均值和标准差比历史序列误差更小,因此能够保持明显的历史序列统计特征。利用二种算法计算得到的预测序列相关系数,采用多链算法可以得到比历史序列更优的自相关曲线,有效保留了原序列的时间相关性。由此可见利用论文算法分析多光伏电站出力时间序列是可行的。

一种改进马尔科夫链的光伏出力预测方法

准确有效的光伏出力预测方法对含光伏配电网的规划和运行具有指导意义,针对光伏随机性,提出一种改进马尔科夫链的光伏出力预测方法。基于云层覆盖水平指标划分云层状态,建立云层状态转移矩阵。引入状态持续时间抽样法,建立具有时序性的改进马尔科夫链模型预测云层状态变化曲线。利用随机抽样法从云层状态时序曲线中抽取各时刻辐照度样本值,依据光伏出力与辐照度的关系间接预测得到光伏出力时序曲线。仿真分析验证了所提方法的有效性。

计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型

针对目前光伏出力确定性预测缺乏考虑不确定性信息导致预测精度受限的问题,提出了一种计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型。首先分别构建卷积神经网络(convolutional neural network,CNN)-注意力机制(attention)-双向长短期记忆网络(bidirectional long-short term memory,BiLSTM)(CNN-Attention-BiLSTM)和自然梯度提升(natural gradient boosting,NGBoost)模型进行确定性预测;然后通过分析2个模型的确定性预测值和真实值的分布揭示了组合区间相对可靠性规律,基于该规律提出一种动静态赋权搜索预测模型,利用NGBoost模型进行不确定性预测,并根据所提供的概率分布信息,动态区分确定性预测结果的重要性,结合模型历史静态的指标评价信息,实现组合区间内搜索预测结果;最后采用澳大利亚沙漠知识太阳能中心和宁夏某光伏电站的数据集进行仿真研究,验证了该文方法的有效性和适用性,可为光伏出力确定性组合预测提供新的研究思路。

基于GCN-LSTM的分布式光伏超短期出力预测方法研究

气象数据是光伏出力预测的重要依据,气象数据的质量对预测的准确性至关重要。但对于分布式光伏系统,往往缺乏气象监测装置,难以对每个站点分别提供准确的气象数据。针对这一问题,提出一种分布式光伏超短期出力组合预测方法,将图卷积神经网络(Graph Convolutional Network,GCN)与长短期记忆神经网络(Long Short-Term Memory,LSTM)耦合构建预测网络。在数据预处理方面,采用趋势项分解方法,将历史出力数据分解为趋势项和剩余项,利用剩余项训练预测网络。利用图卷积网络提取历史数据的数值和结构信息,并使各站点共享信息,然后输入LSTM网络实现预测,再将趋势项加回网络的输出作为最终预测值。最后,利用某光伏发电装置采集的真实数据进行仿真验证,得出结论为:GCN-LSTM模型的预测精确度对比传统LSTM模型有显著提高,而趋势项分解法对GCN-LSTM和LSTM模型都有助于提高预测精确度。