考虑分布式电源规模化接入的区域电网日电量预测

文章结合分布式电源出力与历史负荷数据,提出了一种基于集成学习框架Adaboost,以最小二乘支持向量机为Adaboost算法基学习器的区域电网日电量预测方法。通过建立LLSVM-Adaboost预测模型对分布式电源规模化接入后的区域电网的日电量进行有效预测。Adaboost集成策略对LLSVM基学习器进行加权组合,根据每个LLSVM基学习器的预测误差计算权重,并进行基学习器权值分配和重组,大大提升了模型的泛化能力和预测精度。利用文章所提算法,使用冀北电网实际数据,针对分布式电源规模化接入的典型日电量情况验证了该算法的有效性,具有较好的预测效果。

基于大数据分析的光伏发电系统日电量预测方法

随着能源危机和环境保护形势日趋严峻,光伏发电的建设周期短,具有安全可靠、无噪声、低污染、地域限制少等优点,近年来得到了快速的发展。但是,由于光伏发电系统发电受多种因素影响,其输出具有明显的周期性、波动性和随机性,给电网的安全稳定运行、有效调度等工作带来极大的挑战。因此对光伏发电系统的日电量预测进行研究具有重大的理论和现实意义。

基于气象映射函数的夏季日用电量组合预测方法

历史数据表明,夏季日用电量受众多气象因素影响,具有较大的波动性。准确的夏季日用电量预测是保证电力系统可靠、经济运行的基础。为了提高夏季日用电量预测精度,本文提出了一种基于气象因素的夏季日用电量组合预测方法。首先,考虑到气象因素对日用电量的耦合效应和累积效应,本文分析了各气象指标与日用电量之间的关系,并建立了日用电量单一预测模型。其次,为了评估各气象指标对日用电量的影响程度,本文设计气象映射函数,结合自适应训练和虚拟预测方法,采用遗传算法优化求解气象映射函数的参数,进而得到各单一预测模型的权重。最后,结合单一预测模型及其权重,建立了夏季日用电量组合预测模型。以重庆市2018年夏季日用电量为例进行算例分析,结果表明,所提日用电量组合预测方法能有效提升日用电量预测精度,验证了本文方法的正确性和有效性。

基于改进相似日的光伏系统日发电量预测

光伏系统日发电量预测对于提高可远程监控的离网光伏设备的电能管理具有重要的意义。针对这一需求,通过分析影响光伏系统日发电量的因素,提出了用加权平均总云量以量化日天气类型,并以此改进选取相似日过程中气象特征向量的构造。通过计算分析相似度筛选出与预测日特征相似的历史数据,作为预测模型的训练样本,利用支持向量机回归(SVR)对光伏系统的日发电量进行预测,并通过某地太阳能LED路灯的实测数据对模型进行验证,计算分析了预测误差。结果表明,该方法具有较高的预测精度,所提模型具有有效性和实用性。

基于时间卷积网络与图注意力网络的分行业日售电量预测方法

为控制电力成本及提高电力部门绩效考核能力,需要高效准确地进行日售电量预测。深度学习卷积神经网络常被用于电力数据预测,但由于其输入数据信息量有限,现有模型预测存在上限,致使其存在难以捕捉长时特征等问题。为高效准确地预测日售电量,提出了一种基于时间卷积网络与图注意力网络相结合的分行业日售电量预测方法,搭建了高维度分行业日售电量预测模型。该方法可同时输入多个行业的日售电量,提取反映单个行业时序特征的高维变量,将多个行业的高维变量进行拼接学习,得到各行业之间的影响因素。通过多个行业日售电量的集成增加输入数据的信息量,从而实现各行业的日售电量预测。以中国东南某城市的21个行业日售电量为实际算例,上述方法的平均误差为4.03%。与时间卷积网络、门控循环单元网络、Facebook的Prophet模型、M4冠军模型指数平滑递归神经网络等进行对比,实验表明,所提出的分行业日售电量预测模型具有更高的预测精度。