基于MIC-EEMD-改进Informer的含高比例清洁能源与储能的电力市场短期电价多步预测

随着电力现货市场的开展,短期电价预测对于各市场主体的决策有着重要意义,而高比例清洁能源与储能的不断接入给短期电价预测带来很大挑战。提出一种基于最大信息系数法(maximum information coefficient,MIC)、集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Informer的短期电价多步预测模型。首先,采用MIC分析出与电价相关性较高的几类因素作为模型原始输入序列;然后,将上述原始序列进行EEMD分解后得到多条本征模函数(intrinsic mode function,IMF)和一个残余项后输入改进Informer分别得到翌日24点多步预测结果,再对预测结果进行滤波;最后,将滤波后序列的预测结果叠加得到最终的预测值。以西班牙电力市场数据进行验证,实验结果证明该模型可以有效提高电力市场短期电价多步预测精度。

基于用户群体划分的多步短期负荷预测方法

新型电力系统中负荷的多样性和随机性特征日趋明显,同时单步负荷预测需要参考一阶滞后特征,无法提前预测多个时间步的观测值,因此需要提出适用于负荷新特征的多步负荷预测方法。为此,提出基于用户群体划分的多步短期负荷预测方法。首先,使用最大相关最小冗余准则从影响用户负荷的外界因素中选取典型特征,并依据每位用户负荷与典型特征的相关系数对用户群体进行划分;然后为每个用户群体构建全局注意力模型,并在模型解码端迭代输入预测时刻已知信息进行辅助预测;最后,将各模型的输出在对应时间步上进行求和,从而实现对整个用户群体负荷的多步准确预测。以公开数据集进行算例分析的结果表明,所提方法在预测准确性和稳定性方面有较大优势。

基于混沌时间序列GA-VNN模型的超短期风功率多步预测

随着风电在电力系统中的渗透水平不断提高,能准确、可靠地进行风功率预测至关重要。为提高风功率超短期预测精度,利用风功率时间序列的混沌特性,推导分析了Volterra泛函模型和3层前馈(back propagation,BP)神经网络在结构上的一致性,提出混沌时间序列遗传算法-Volterra神经网络(genetic algorithm-Volterra neural network,GA-VNN)模型,对超短期风功率进行多步预测。该模型将实用的Volterra泛函模型和BP神经网络结合起来,解决了求解Volterra泛函模型高阶核函数的问题。同时设计了一种混沌时间序列GA-VNN模型的学习算法,在算法中利用GA全局寻优能力来优化BP神经网络,获得最优的初始权值和阀值。将上述方法应用于某风电场风功率超短期多步预测中,结果验证了所提模型的多步预测性能明显优于Volterra预测滤波器和BP神经网络。

基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型

针对风电功率受自然环境变化影响,难以建立精确数学模型对其进行预测的问题,采用一种新型的可变模式分解(variational mode decomposition,VMD)技术,将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性,根据子模式的样本熵(sample entropy,SE)分析其复杂度并重组得到子序列。在此基础上,结合3种不同的机器学习基模型,提出一种基于VMD-SE和基模型的自适应多层级综合预测模型,并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法,对其权重矩阵进行实时调整。仿真结果表明,基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高,且所提综合模型的预测精度较组合模型有了进一步的改善。因此,所提综合模型能有效提高短期风电功率多步预测的准确性。

风电功率超短期多步预测误差评估及分析

超短期风电功率预测误差分析有助于改进预测精度,进而降低风电不确定性对电力系统带来的不利影响.以LSTM模型为例,对超短期多步预测的误差特性进行分析.首先,对超短期风电功率预测误差进行静态特性分析,研究了预测误差随预测步长的动态变化特性;然后,提出了数值天气预报在超短期风电功率预测中的误差占比定量评估模型;最后,提出了一种综合考虑形状和时间损失的神经网络损失函数,降低由于输入信息不足引起的时滞和幅值误差.结合吉林省20个风电场的实测数据,对风电功率多步预测误差特性进行全面分析,为风电功率多步预测模型的评估、修正提供了参考.