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。

基于相似日的光伏组件积灰损失预测

为研究灰尘对光伏发电性能的影响,通过搭建的实验台采集清洁与污染光伏组串每天的发电数据,同时监测气象数据,分析积灰及天气对光伏组件发电性能的影响。结果表明,冬季PM2.5质量浓度的上升和春季沙尘暴天气的频发使得光伏组件表面灰尘积累较多,累计发电量损失增长较快,而夏季由于降水增加,灰尘难以积聚在光伏组件上,累计发电量损失增长缓慢。此外,利用DTW(dynamic time warping)算法来寻找相似日。首先通过熵值法计算出各气象参数的权重,然后按日期逆序逐个计算出每个历史日各个气象参数对应的DTW值,再乘以其权重并相加得到历史日的综合DTW值。通过比较各历史日的综合DTW值,选出与当前日最接近的气象相似日。在避开极端天气的情况下,选择数据集中的一部分作为验证集,并对寻找相似日的判据进行优化,选取每天09:00—15:00的数据分为3个时间段进行分析,并设定平均太阳辐照度不小于600 W/m2的条件。优化后,预测模型的评价指标决定系数为0.83,均方根误差为0.22,预测效果显著提升。最后利用该算法为光伏电站制定清洗策略,经过累计发电量损失与清洗成本的对比,确定在长期不降雨情况下,电站应每28天进行一次清洗。

基于相似日聚类及模态分解的短期光伏发电功率组合预测研究

短期光伏发电功率预测是电站制定发电计划并进行调度的重要组成部分,有助于电力系统的动态稳定。针对光伏时序预测中存在的噪声干扰及单一模型预测效果不稳定等问题,该文提出一种基于改进型自适应白噪声的完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的组合预测模型。首先,利用相关系数提取重要气象特征,并采用模糊C均值聚类(fuzzy C-means clustering,FCM)将原始数据集划分为晴天、晴转多云和雨天。其次,每种相似日以最后一天为待预测日,其余为历史训练集;利用ICEEMDAN将历史训练集分解成若干个较为规律的子序列,并用排列熵(permutation entropy,PE)对各子序列进行重构。最后,高频项采用由卷积神经网络(convolutional neural network,CNN)、(bidirectional gated recurrent unit,Bi GRU)双向门控循环单元与注意力机制组合而成的CNN-BiGRU-ATTENTION神经网络预测,低频项和趋势项采用最小二乘支持向量回归机(least squares support vector regression,LSSVR)进行预测,将预测结果叠加得到最终光伏发电功率预测值。通过实例验证:该文组合模型在不同天气条件下,可以解决单一模型预测精度低、预测效果不稳定等问题;相比其他模态分解,能够更精确地预测波动较大的局部特征。

基于相似日与BiLSTM组合的短期电力负荷预测

短期电力负荷存在非线性、波动性和影响因素多等特征,针对以上特征所导致的预测精度不足,本文提出一种基于相似日与双向长短时记忆神经网络(BiLSTM)组合的短期电力负荷预测模型.首先,剖析电力负荷的动态变化机理,基于相似日和灰色关联分析方法,构建负荷与特征融合数据集;其次,采用变分模态分解(VMD)方法将高波动、非线性的原始负荷数据分解为多个相对平稳的分量,并对各分量分别搭建BiLSTM预测模型;最后,采用鲸鱼算法(WOA)对模型的分解参数和相似日天数进行优化,减小模型的固有误差.以新英格兰某地区的实际数据进行仿真验证,所提模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)分别为0.58%,42,78,均优于对照模型,有效提升了负荷预测精度.

逆向云灰色关联相似日的EEMD-RL-GWO-LSTM区域风光功率短期预测

针对现有方法在风光预测时气象因素考虑不全面且未考虑风光功率关联性的问题,提出一种风光功率短期预测方法。首先,以云模型表征风光出力不确定性,逆向云结合灰色关联度分析不同气象特征对输出功率的影响程度,并设立选取标准及综合评分指标;其次,采用集合经验模态分解(EEMD)将选取相似日的功率数据分解为子序列;最后,将子序列和气象数据作为基于折射学习策略(RL)的灰狼算法(GWO)优化的改进长短期记忆网络(LSTM)模型的预测输入进行训练,对待预测日的子序列分别预测,并叠加得到短期区域风光发电功率的预测。以中国西北某风光联合电场数据为例,对该模型进行验证,结果表明,相比于现有预测模型,该文所提方法考虑了天气因素,具有较高的预测精度,能够较好地为区域风光联合电场的功率预测提供参考。

基于相似日分析和改进鲸鱼算法优化LSTM网络模型的光伏功率短期预测

为了解决环境温度、风速和太阳辐照度等诸多因素对光伏发电预测的制约,提出了一种基于相似日分析和改进鲸鱼算法优化的长短期记忆(long short-term memory,LSTM)神经网络模型来实现光伏功率短期预测。首先,采用Pearson相关系数进行特征选择以去除与光伏输出功率不相关的气象特征;其次,针对相似气象情况下光伏电站发电功率接近的实际情况,采用灰色关联分析(gray relation analysis,GRA)选取与预测日气象特征相似的日期作为训练集;然后,提出一种改进鲸鱼算法(improved whale algorithm,IWOA)来优化LSTM深度神经网络的超参数,使预测模型的均方根误差达到最小;最后,以澳洲Yulara沙漠3号光伏电站的光伏发电历史数据作为实验数据,用GRA-IWOALSTM神经网络模型进行预测。仿真结果表明,在不同的天气类型下与其他模型的预测效果相比,GRA-IWOA-LSTM模型的预测结果精度更高。

基于相似日与加权马尔可夫模型的风力发电功率区间预测

为了提高风力发电功率预测精度,提出一种基于相似日与加权马尔可夫模型的风力发电功率区间预测方法(SWMQ)。风电功率数据与风速数据直接相关。首先对于数据中的异常值和缺失值,通过线箱图法和相关性填补法对数据进行预处理,提高数据的关联性,通过卷积神经网络(CNN)对风速进行预测;然后由预测到的风速数据在历史数据中通过皮尔逊相关系数法寻找相似日,以相似日功率数据为数据集进行加权马尔可夫模型预测;最后通过分位数回归原理对预测区间进行求取,同时建立基于CNN模型、相关性填补、CNN模型和加权马尔可夫模型,以西北某风电场数据进行仿真对比。实验表明该模型在风力发电功率预测上有较高的精度,能更好地体现数据变化的阈值。

基于相似日理论和改进PSO-LSTM模型的风电短期出力预测

为提高风电功率预测精度,以满足并网后电网调度的高精度要求,首先采用Spearman相关系数法,选取70 m高度处风速作为风速输入特征;然后将日特征相似度与形状相似度相结合以选取相似日,进而利用改进粒子群算法优化网络超参数;最后对比分析所提模型与反向传播神经网络(BP)、极限学习机(ELM)、长短期记忆神经网络(LSTM)、改进PSO-LSTM模型的预测精度。结果表明:所提模型的均方根误差相较对比模型分别降低了50、56.46、26.84、19.03,平均绝对百分比误差分别降低了48.75%、43.94%、21.55%、15.30%,验证了本文所提预测方法的有效性。

基于动态数据及多因素相似日的日前电价预测方法研究

日前电价的准确预测对保障电力市场参与者的利益具有重要意义。该文提出了一种基于动态数据以及多维影响因素相似日的电力市场短期日前电价预测方法,旨在提高预测准确性和适应市场动态变化的能力。首先,通过综合考虑轻梯度提升机(light gradient boosting machine,LightGBM)的特征重要性和皮尔森相关系数,筛选出影响电力现货市场价格的关键特征,并构造延迟特征、历史相似日特征和综合加权特征作为衍生特征,以丰富电价预测的输入信息。其次,为了适应电力市场的动态变化并提高历史数据的适用性,引入了滚动训练机制,定期更新数据集并重新训练预测模型。采用广东电力现货市场的数据进行仿真分析,实验结果表明,通过合理的特征构造、超参数优化以及滚动训练策略的选择和应用,可以有效改善电价预测模型的预测性能。

基于数值天气预报修正和气象相似日的短期风电功率区间预测

为解决风电出力因其波动性无法准确预测的问题,提出了一种基于改进BP神经网络和Bootstrap方法的短期风电出力区间预测方法。拟合历史数值天气预报(NWP)及实际观测值,修正待预测时刻NWP数据,并根据灰色关联系数法筛选气象相似时刻。采用粒子群算法优化BP神经网络参数,引入Bootstrap法增加数据多样性,建立多个确定性预测模型。运用百分位数估计法得到了给定置信水平下各时刻的功率波动区间。以国内某风电场为例,提前24 h预测风功率,结果表明,所得区间各项评估指标均满足实际工程需要。

基于相似日相关性聚类的LSTM短期光伏出力预测模型研究

为改善相似日聚类效果,提高光伏出力预测的准确性,提出了一种基于相似日相关性聚类的LSTM短期光伏出力预测模型。首先,计算各因素与光伏的相关性,筛选出与光伏出力相关程度较高的气象数据;然后,选取相关性系数分布均匀的光伏日出力过程作为初始聚类中心,以相关性为分类依据进行相似日聚类;最后,对不同聚类簇建立不同的长短期记忆神经网络(LSTM)训练模型。将相似日聚类与K-means聚类方法进行对比,结果显示相似日聚类的光伏出力预测均方根误差(RMSE)和平均绝对误差(MAE)分别降低了19.2%和34.0%,决定系数R2提高了4.8%,表明本文提出的基于相似日相关性聚类方法有效提高了光伏出力预测精度。

基于相似日与BA-WNN的电网调度自动化实时数据采集方法

针对电网调度数据采集难、成本高、效率低现状,提出基于相似日与BA-WNN的电网调度自动化实时数据采集方法,促进电网调度数据的智能化管理,保障电网安全稳定运行。采用余弦相似度计算相似度指标,选取相似日并建立电网调度数据相似日样本集;将电网调度数据相似日样本集作为小波神经网络(WNN)的输入,通过蝙蝠算法(BA)代替WNN中的最快梯度下降法,不断优化WNN的权值和小波基系数,提升WNN的收敛效果,输出最佳的电网调度自动化实时数据采集结果。实验结果表明,该方法能够准确选取相似日,完成电网调度数据有效采集。

基于相似日的APSOVMD-BiIndLSTM电力负荷预测

对于电力系统的稳定运行和有效管理而言,准确预测未来负荷需求至关重要。为应对电力负荷数据的复杂性,文章提出了基于相似日的APSOVMD-BiIndLSTM模型。首先,利用基准聚类相似日方法选择相似日;其次,引入了APSO优化VMD分解技术对负荷数据进行多尺度分解;最后,利用CNN学习局部特征,并将其与Multi-BiIndLSTM相结合。实验结果表明,该模型在MAPE和RMSE等方面较其他负荷预测模型有所提升。

基于相似日的BOHB-Elman光伏电站短期功率预测方法

随着可再生能源在全球能源结构中的比重逐渐增加,光伏发电站的短期功率预测成为电网管理和能源调度的重要环节。文中提出了一种结合BOHB优化算法和Elman神经网络的短期光伏短期功率预测方法,该方法注重历史数据中相似日的选取,以提高预测精度。研究采用了先进的数据处理技术,对大量历史数据进行深入分析,筛选出与预测日气象和发电特性最为相似的日子,进而利用这些数据训练BOHB-Elman模型。试验结果表明,该方法相比传统的预测模型具有更高的准确性和稳定性,为光伏发电站的能源管理提供了一种新的解决方案。

基于分段预测及天气相似日选择的区域电网短期负荷预测方法

为了提高对低谷、午间高峰、午间低谷、晚间高峰时段的负荷预测精度,提出一种基于分段预测及天气相似日选择的短期负荷预测方法。首先,分析包括气象及经济在内的不同因素对区域电网不同时段负荷的影响,并选取相关特征构建训练集;其次,采用长短期记忆神经网络模型实现对不同时间点的负荷预测;之后,利用互信息及欧式距离选取与待预测日天气条件接近的相似日,并将该日负荷曲线作为参考,与前述分段负荷预测结果结合作为待预测日的负荷预测结果。实验结果表明,所提出的短期负荷预测方法能够有效提高短期负荷预测精度,特别是对低谷、午间高峰、午间低谷、晚间高峰时段的预测精度有明显提升。

考虑相似日相关信息的基于FCM-UW-ADAGRU的超短期光伏预测方法

提出了一种模糊C均值聚类和不确定性加权自适应门控单元神经网络(FCM-UW-ADAGRU)模型对日前分钟级光伏出力进行预测。首先,基于FCM对历史日天气进行划分,采用历史功率数据的5个统计指标(协调平均值、几何平均值、变异系数、峰度和偏度)作为聚类特征。其次,通过分布识别模块从相同天气类型的相似日样本中识别出不同的数据分布,并通过分布匹配模块从所有相似日数据中挖掘相关信息,以处理未来可能遇到的未知气象信息。最后,基于不确定性加权(UW)平衡预测误差和相关信息误差,提高模型训练精度。与现有方法的比较实验表明该方法具有较高的精度和鲁棒性,验证了模型的有效性。

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。

基于相似日和人工神经网络的风电功率短期预测

风电场发电功率短期预测对并网风力发电系统的安全性和稳定性具有重要意义。根据影响风电出力的因素,提出了选择风电场发电功率相似日的方法,设计了基于相似日和Chebyshev神经网络的风电功率短期预测模型,根据云南某风电场数据对该模型进行验证,分析了预测误差及其概率分布,结果表明该预测模型具有较高的预测精度,可为风电功率预测提供参考。

相似日短期负荷预测的非线性理论基础与改进

从非线性动力系统理论角度看,相似日预测的实质是对负荷序列中平衡点和准周期行为的预测。特定相似日预测方法所使用的负荷序列频谱越宽,预测结果就越准确,其实质是加强了准周期和混沌成分的预测;另外,采用负荷水平则增强了对平衡点的预测能力。采用“连续多天负荷”作为改进的相似日预测的基本单元、采用原始负荷的“负荷趋势+相似日”分解预测、对原始负荷序列按照素数间隔二次抽样等,都是提高预测准确率的具体手段。

基于最优交集相似日选取的短期母线负荷综合预测

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出一种基于最优相似日选取的综合预测方法。利用改进的聚类分析算法,得到历史标幺曲线的形状相似集与特征曲线。通过构造反映数据点性质的横向及纵向特征向量矩阵,辨识出坏数据并进行调整。计算日特征相关因素对负荷水平的影响,并将各因素的重要程度加权于模糊目标函数,得到目标日的负荷水平相似集。建立各类形状相似集的判别函数,并将目标日归类。对待预测日的负荷水平与曲线形状相似集,取两者的交集作为相似日选择结果。以该交集中与目标日日期差最小的样本为虚拟预测对象,计算综合预测中各算法的权重。实例分析表明,所提方法可有效改善原始数据的质量,提高母线负荷预测精度。