计及光伏预测的直流微电网能量调度研究

针对孤岛微电网负荷用电与分布式能源发电的变化带来的网损增大,系统可靠性下降的问题,提出一种决策者的分布式控制方法,对微电网用电进行调度管理。根据相似日原理,采用退火算法优化BP神经网络,预测未来1天的光伏发电量,采用决策者的分布式控制调度微电网的能量,实现微电网昼夜运行切换时发电侧与用电侧的用电平衡。通过采集整理实验平台光伏数据进行光伏发电预测实验,建立系统模型进行能量管理实验,实验结果证明了能量管理方法的可行性和有效性。

基于XGBoost的双层协同实时校正超短期光伏预测

针对超短期光伏预测应对突发过程性天气时准确性普遍下降,而通过实时气象监测校正辐射值对设备要求较高、对精细化预报依赖性强的问题,以数据驱动为理念,提出了基于XGBoost的双层协同实时校正超短期光伏预测模型。根据大气运动的连续演变性和自相似性,从机器学习角度推演气象整体连续变化的过程,提升预测精度。首先,基于数值天气预报(NWP),在基准层建立强相关气象特征的预测模型。然后,在实时层由临近时段内的基准层动态预测情况挖掘潜在的气象变化规律,并推测未来预测时段气象因素对于光伏出力的影响,对时段内基准预测值进行逐点校正。采用中国杭州滨江一实际光伏电站实采数据进行算例分析,分别与基于NWP特征学习、时序分析、误差推移的XGBoost预测模型以及决策树、支持向量机、长短期记忆网络这3种经典预测模型相比较,结果表明所提模型具有更高的超短期光伏预测精度。

基于VMD-SE和优化支持向量机的光伏预测方法

针对光伏电站短期功率预测准确性的问题,提出了一种基于VMD-SE与改进的灰狼优化(Grey Wolf Optimization,GWO)算法优化支持向量机回归(Support Vector Regression,SVR)的组合预测方法。由于不同天气类型的光伏功率输出相差较大,因而利用相似日选取相同天气类型下的数据进行预测;考虑到光伏功率输出随机波动性较强,采用变分模态分解对原始光伏功率序列进行分解,以减少数据的非平稳性;为了克服支持向量回归参数盲目选取的弊端,利用改进的灰狼优化算法对其参数进行优化,以进一步提高数据的预测精度;最后,将分解后的子序列经样本熵重组后相加求和得到最终预测结果。算例结果表明,该组合预测方法整体上预测误差最小,有效提高了光伏输出功率预测的准确性,可以更好地保障电力系统的可靠运行。

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有“遗忘”与“更新”功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。

基于BIM技术的可定义光伏预测模型研究

利用BIM(建筑信息模型)技术,研究并设计了一个"可定义光伏预测模型",此模型可以很好地结合建筑自身结构信息,从而使得光伏发电量的预测更加准确。

服务于区域光伏预测的天空图像K-means云空辨识模型

地基天空图像的云空辨识及云团预测是研究区域电网光伏发电功率分布与变化的前提,对支撑调度提高光伏发电消纳比例具有重要意义。首先分别采用较高的红蓝分量比值和较低的红蓝分量比值作为固定阈值分割地基天空图像,依次提取辨识结果中的天空像素点和云像素点的位置信息并获取原图像中对应位置的天空像素点和云像素点的RGB值;其次对获得的天空像素和云像素求均值并将各自均值中的红蓝分量相除获取初始聚类中心;然后使用K-means算法,利用加权欧式距离计算每一个聚类样本与聚类中心之间的距离,通过数次迭代得到聚类结果,进而将聚类结果还原成矩阵得到地基天空图像的云空辨识结果图;最后利用云南某光伏电站全天空成像仪TSI-VIS-J1006采集的天空图像进行仿真,结果表明该方法较固定阈值法的收敛速度更快、聚类精度更高,能够有效实现地基天空图像的云空辨识。

基于相似日算法及集成学习的短期光伏预测模型

随着分布式发电系统的日益增多,光伏发电预测逐渐成为影响电力系统运行及调度的关键。本文提出一种基于改进相似日算法和集成学习的短期光伏发电混合预测模型。应用改进的相似日算法在历史数据中找到相似日,将相似日数据和气候因素等作为Bagging集成学习的输入变量,对其进行建模训练。通过公开的光伏数据集进行验证,并与传统的神经网络模型和支持向量机进行对比。结果表明,该模型具有较高的预测精度。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法(Northern Goshawk Optimization,NGO)优化双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解(Variational Mode Decomposition,VMD)将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值(K-means++)算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明:该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。

DPCA-POA-RF-Informer在多情景光伏多步预测中的应用

针对光伏发电波动性与不确定性对电力系统稳定产生的影响,对多情景光伏发电功率的多步预测进行研究。首先通过密度峰值算法根据太阳辐射量、温度、湿度等气象数据对天气状况进行精确分类。其次,为了使模型表现出更好的性能,建立了鹈鹕算法优化随机森林(POA-RF)的因素筛选特征变量,模型用鹈鹕算法对随机森林的决策树数目和深度两个参数进行寻优,加强了因素筛选的有效性。最后,基于Informer模型对不同天气状况的光伏功率进行多步预测。实例计算结果验证了所提模型预测精准度的有效性与精准性。

基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测

针对传统光伏功率预测精度比较低的问题,文章提出了基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测模型。首先,对多个气象指标和光伏电站的输出功率进行了相关性分析,并选取了相关度较高的气象数据作为模型的输入因子,利用TOPSIS算法选择出最优相似日;然后,将光伏电站输出功率理论值和气象数据建立GRNN预测模型;最后,结合DKASC网站上的历史气象数据和功率数据,对该模型进行了仿真试验并验证。试验结果得出功率预测精度RMSE平均值为0.8269 kW,MAPE平均值为3.45%,MAE平均值为0.0195 kW。该预测方法的预测精度明显高于单一预测模型,具有一定的理论和实用价值。

基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A 1、多云A 2、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。

基于权参数优化的并行深度学习光伏功率预测

针对不同应用场景下光伏数据波动模式差异较大时,现有的光伏发电功率预测模型存在精度及适应性不足的问题,提出了一种具有权参数自适应性的并行深度学习光伏发电功率预测框架。该框架包含2种可以并行预测的深度学习算法单元(Attention-Seq2Seq单元、Transformer单元)以及一个权参数自适应优化单元。基于所提出的并行深度学习框架,对光伏发电功率进行预测,并分别与Attention-Seq2Seq、Transformer模型的预测结果进行了对比验证。结果表明:基于权参数优化的并行深度学习光伏功率预测框架弥补了不同数据波动模式下单一算法预测精度和适应性不足的问题,也可以有效解决时间序列预测中的长距离依赖问题,较单一算法预测精度更高,其平均绝对误差和均方根误差在夏季典型日最大降幅分别是41.18%和45.59%,在冬季典型日最大降幅分别是81.13%和82.86%。

基于Transformer编码器的超短期光伏发电功率预测

针对现有光伏发电功率预测方法对于气象数据特征间的内在耦合关联特性挖掘不足的问题,提出基于Transformer编码器的超短期光伏发电功率预测方法。首先,基于历史气象数据和数值天气预报数据重构输入矩阵;然后,采用多层感知机或一维卷积滤波器生成输入嵌入,并添加时序信息嵌入和时间特征嵌入,再通过多头自注意力机制对数据特征间的内在耦合关系进行自动挖掘;最后,通过解码层生成功率预测序列。算例结果表明所提预测方法对于超短期光伏发电功率的预测精度更高,并且具有较好的鲁棒性。

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤(FCBF)的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。

基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.2232,0.3387,0.9797,与其他方法相比具有更高的预测准确率和更小的误差。

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition,CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression,RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network,BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。

自样本特征构造的1DCNN-BiLSTM网侧光伏功率预测

为解决电网难以获取NWP数据和无法建立光伏功率预测模型的问题,提出一种自样本特征构造的一维卷积双向长短期记忆神经网络光伏发电功率预测方法。通过K均值聚类和功率骤减事件检测的特征工程获取细粒度的天气状态标签,实现基于自身样本的特征构造,以解决样本特征缺少问题;采用卷积和长短期记忆网络结合的模型结构,解决局部特征提取和长期依赖的问题。算例验证结果表明,所提方法改善整体的预测性能,降低多特征数据存在的数据匮乏和数据稳定性风险,为模型输入特征较少的网侧光伏功率短期预测提供一种有效途径。

基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入N-HiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。