基于天气分类的改进CNN-LSTM区域光伏功率单值和概率预测方法

在大规模分布式光伏电站不断并入配电网的背景下,光伏功率的准确预测能指导配电网的安全运行和调控。目前针对单一光伏场站功率的预测较多,区域光伏功率单值和概率预测起步较晚。为了提高区域光伏功率的预测精度,该文提出一种根据天气进行分类的方法,基于非线性分位数回归改进的卷积长短期神经网络(convolutional neural networks-long short term memory,CNN-LSTM)神经网络,对区域光伏场站的功率进行预测,不同场站使用独立的卷积层和池化层,提取各自场站和场站间的特征,再输入到长短期记忆神经网络(long short term memory,LSTM)提取时间序列上的特征,以便于快速得到天气因素与区域功率之间的关系,再结合分位数回归方法对功率进行区间预测。为了证明所提方法的有效性和可靠性,使用澳大利亚5个相近光伏场站的发电数据进行验证,结果表明所提出的方法与现有方法相比,不仅提高了功率单值预测精度和区间预测准确性,还缩短了训练模型的时间。区域光伏功率精确的单值预测和区间预测为配电网的安全运行管理提供有效保障。

基于STL与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法

随着光伏并网容量的不断增加,准确的光伏功率预测对电网安全稳定运行意义重大。本文提出一种基于季节性分解与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法。首先,通过季节性分解获得光伏功率的周期分量、剩余分量与趋势分量。其次,提出MMoE-LSTM-Attention网络来挖掘同一区域内不同光伏电站剩余分量与趋势分量之间的相关性,进行剩余分量与趋势分量的预测。最后,将分量进行汇总,得到光伏电站超短期功率预测结果。相较于传统基于硬共享机制的多任务学习模型,MMoE模型能够自动调整任务目标和任务间关系的参数权重。注意力机制能够进一步优化子任务的特征提取能力。在DKASC数据集上进行了算例实测,分别验证了季节性分解、MMoE多任务学习模型及注意力机制在区域多光伏电站功率预测问题上的有效性。