微电网风/光发电功率预测软件的设计与开发

风力发电和光伏发电功率的预测是进行微电网能量调度计划制定的前提。运用基于时间序列法的风/光发电功率预测模型,引用等效平均风速概念,以提高风功率预测的准确度;采取在线滚动建模的方式修正基于时间序列法的预测模型,最后运用天气预报信息修正风/光发电功率预测的误差。设计了风/光发电功率预测软件的功能组成结构,制定了包括超短期、扩展短期与短期预测模块的程序流程,应用实例验证了所开发软件的实用性与有效性。

基于强化学习的多模型融合光伏发电功率预测方法

为进一步提高超短期光伏发电功率预测的精度,提出一种基于强化学习的多模型融合光伏发电功率预测方法。首先,采用局部离群因子算法检测、剔除异常点,并用多层感知机回归算法进行修补,解决数据异常问题;然后,将数据分为训练集、验证集与测试集,在训练集中训练支持向量机回归(SVR)、多元线性回归(MLR)、贝叶斯岭回归(BRR)、卷积-长短期记忆(CNN-LSTM)与基于粒子群算法优化的门控循环单元(PSO-GRU)模型,并在验证集对训练得到的模型进行验证,分别选出最佳的模型作为子模型;最后,在测试集中使用5个子模型进行预测,并将各预测结果用强化学习的方法进行融合,将融合值作为最终的预测结果。实验结果表明,该预测方法的平均绝对误差、均方误差、均方根误差与相对误差相比单模型方法以及其他传统的融合方法均有显著降低,验证了该方法的有效性。

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。

针对光伏发电功率预测的LSTformer模型

为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycleEmbed),利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈(time convolution feedforward,TCNforward)单元,在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据,通过实验验证LSTformer模型在光伏发电功率预测领域得到最低的均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE),并通过消融实验验证了各模块的有效性。

基于GTO优化的VMD-CNN-GRU光伏发电功率预测

精确地预测光伏发电功率是保证电力系统稳定运行的关键。为改善光伏发电功率的预测的准确性,通过引入人工大猩猩部队优化(artificial gorilla troops optimizer,GTO)算法和变分模态分解(variational mode decomposition,VMD),提出了一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)神经网络的组合预测模型(GTO-VMD-CNN-GRU)。研究基于皮尔逊相关系数的气象特征量提取方法,获取特征重要性并作为模型输入,针对VMD和模型参数手动设置的复杂性和不确定性,利用GTO对变分模态分解数量和惩罚因子进行寻优来确定最优组合,并对CNN-GRU模型主要超参数进行寻优。对光伏输出功率的预测进行分析,结果表明,GTO-VMD-CNN-GRU预测模型能有效提升光伏输出功率预测精度,再通过与其他4种方法的预测效果比较,发现所提方法各项误差指标表现最好,因此,优化后的模型可靠性更强。

光伏发电功率预测中雪检测算法的机器学习方法

光伏(PV)面板是光伏发电技术中广泛使用的主要可再生能源设备。由于光伏发电受天气条件影响巨大,降雪和面板积雪会极大地影响光伏面板的输出功率。如何在降雪和积雪因素影响下,预测光伏发电系统的输出功率对于电力部门完成电力调度控制十分重要。考虑到降雪和积雪因素无法直接使用具体公式表达。本文将介绍一种机器学习方法,使用SVM和KNN作为检测雪效应的分类器,将光伏发电功率预测中雪检测问题转换为分类问题。文中提出的雪检测算法在真实有记录的数据上进行了验证,通过光伏发电功率预测精度的提升评估方法的效果。

基于机器学习的光伏发电功率预测研究

本文围绕基于机器学习的光伏发电功率预测开展分析讨论,并以Stacking支持向量机及长短期记忆网络与注意力机制等算法作为研究对象。本文提出的光伏发电预测模型能够保持极佳的预测精准度,能够有效抵御恶劣气候的干扰,通过关注特征提取以及隐藏输出向量,能够进一步优化模型的预测性能。

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题,提出基于周期信息增强的Informer光伏发电功率预测方法。首先,提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层;然后,通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系,采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏;最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证,所提模型预测精度更高,能够对光伏发电功率进行长时间预测。

基于CNN-VMD-PCA特征融合的光伏发电功率预测研究

为了较为准确地预测光伏发电功率,提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)提取光伏光电数据深度特征,然后用变分模态分解方法(Variational mode decomposition,VMD)分解数据原特征,再把分解后的特征和深度特征融合,用主成分分析法(Principal component analysis,PCA)提取融合后特征的主成分,最后用Xgboost(Extreme gradient boost,Xgboost)模型进行功率预测。根据对所提模型的实测评估,并与其他预测模型对比,得出基于CNN-VMD-PCA特征融合的预测模型具有较高预测精度,其拟合优度达0.932,能够得到更可靠的功率预测结果。

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PEEEMD-BiLSTM-XGboost光伏发电功率预测方法研究

由于光伏功率数据的强不确定性,单一模型预测精度受到限制,提出多融合信号模态分解和双向长短期记忆网络(BiLSTM)、极端梯度提升(XGboost)组合模型的短期光伏发电功率预测方法。首先,为降低光伏功率信号的复杂性,通过自适应噪声完备集合经验模态分解(EEMD)、排列熵(PE)对光伏发电功率数据进行预处理,得到各模态分量;其次分析选取重要相关影响因素,构建BiLSTM-XGboost组合模型对光伏发电历史功率数据进行预测。最后,以某地光伏电站数据进行测试,仿真结果表明所提出的集成预测模型能够有效提高短期光伏功率预测精度,具有更少计算时间、较高的估计精度、算法稳定性高、鲁棒性强,并带来较强的实用价值。

基于相似日和VMD-GRU的光伏功率组合预测方法研究

光伏发电以其绿色、无污染等显著优势,获得了空前的发展,但对电网的安全稳定运行也造成了一定的影响。开展完善的光伏发电功率预测工作,是提升电网运行可靠性的重要保证,最大程度提高光伏发电的预测准确性,电网调度人员就能够根据区域负荷状况,适时地对电网运行方式进行调整,从而提升调度的效率和精度。针对光伏发电情况展开研究,分析影响光伏发电的因素,经过数据预处理等环节,与深度学习神经网络理论相结合,提出了基于相似日和VMD(Varational ModeDecomposition,变分模态分解)-GRU(GateRecurrentUnit,门控循环单元神经网络)的光伏功率组合预测方法。

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。

基于BP神经网络算法的光伏发电预测研究

为了提高光伏发电功率预测的精确度和稳定性,并解决传统预测模型中存在的波动性、间歇性和不确定性等问题,本文构建了基于BP神经网络算法的光伏发电预测模型,通过斯皮尔曼相关性分析明确影响光伏发电输出功率的因素,并基于BP神经网络算法构建光伏发电预测模型,实现对未来光伏发电功率的短期准确预测。通过验证分析,结果表明,该模型能够更加稳定、精确地预测光伏发电输出功率。

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。

一种综合ANFIS和PCA的光伏发电功率预测新方法

提出一种综合自适应神经模糊推理系统(ANFIS)和主成分分析(PCA)的光伏发电功率预测方法,以日期、时刻、历史天气预报中的云层状况和温度为输入量,以光伏发电系统历史发电数据和历史天气预报数据为基础,用主成分分析对输入量降维,提取主要输入成分,与光伏发电功率输出共同构成历史数据库,对历史数据进行训练,建立光伏发电功率的ANFIS预测模型,利用相对均方根误差对模型进行评估。结果表明,本文提出的方法建模速度快,模型预测精度较高。

基于多维气象数据和PCA-BP神经网络的光伏发电功率预测

太阳能光伏发电受很多随机因素的影响,这使得光伏系统输出功率具有不确定性的特点。光伏系统输出功率的精确预测对电力系统的未来规划、调度管理和运行控制有着重要意义。通过多个渠道搜集多维数的历史气象数据,同时将天气类型分为无云、有云、多云和雨天4类;然后基于反向传播(back propagation,BP)神经网络建立不同气象条件下的光伏发电功率预测模型;最后利用主成分分析(principal component analysis,PCA)对原始气象特征数据进行降维分析和处理,以提高计算速度和精度。仿真算例结果验证了所建立的光伏发电功率预测模型的有效性,而且PCA降维能够降低训练,减少预测的计算时间,并提高预测精度,这表明PCA能适用于未来海量气象大数据下光伏电站短期、超短期的分钟级实时功率预测。

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。

灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用

光伏系统输出功率具有随机性和波动性的特点,光伏系统并网以后可能引起运行和可靠性问题。提前对光伏发电功率进行准确预测有利于电力部门及时调度和保证电能质量,从而保证电网的安全运行。在分析灰色预测模型局限性的基础上,将灰色-马尔可夫链组合预测模型应用到光伏功率短期预测中,并阐述了其建模原理。通过对灰色模型拟合值的相对残差序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型。通实际算例分析,证验了所提组合模型的准确性和简便性。

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。