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。

基于相似日选择和BP神经网络的商场短期负荷预测

为了改进传统楼宇短期负荷预测的准确度与效率,以上海市某商场建筑为研究对象,采取了基于相似日选取和BP神经网络的方法,对其夏季短期负荷进行了预测。首先,对夏季气象类因素进行去量纲处理,并采用灰色关联度挑选出对负荷影响最大的气象因素;然后,以关键气象因素为基准,采用加权相似度函数选择相似日,并按照相似度大小进行降序排列;最后,将相似日的负荷和关键气象因素数据输入到BP神经网络模型中,预测输出该商场2017年夏季短期负荷值,并对预测结果进行对比分析。通过实例数据进行了算例验证,结果表明,提出的方法具有较好的有效性和实用性。

基于异源数据融合与并行计算的电力气象数据分析技术研究

针对短期电力负荷进行预测时易受到不确定气象因素影响而导致预测准确率较低的问题,文中提出了一种基于气象数据融合与并行计算的电力负荷预测算法。该算法将时间和气象因子相结合来对预测的日气象数据进行关联度匹配,进而提升算法的准确率。通过对深度神经网络加以改进,并增加扩张卷积使模型具有更强的视觉野。同时结合Bi-GRU网络,利用其时序特征提取属性进一步增强算法的性能,再将算法部署至Spark并行平台以提高总体的运行效率。实验测试中,所提算法的MAPE、RMSE指标在所有对比算法中均为最优,且领先其他同类算法约0.2%和0.05,而增加运算节点后,算法的运行时间也会相应缩短,表明其具有良好的综合性能。

基于改进BP神经网络的光伏发电系统输出功率短期预测模型

随着光伏发电系统的大规模应用,其输出功率预测技术可以有效地缓解该类随机能源对电力系统的不利影响。提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行直接预测。通过对影响输出功率各项因素的分析,得出了预测模型输入变量选择的理论依据;为了提高模型在各种天气条件下的预测精度,提出了相似日选择算法和训练样本确定方法;针对传统BP学习算法易陷入局部极小点、收敛速度慢等缺陷,利用增加动量项和可变学习率相结合的方法对其进行了改进。最后通过预测结果分析,验证了所提模型和算法的有效性。

基于Spiking神经网络的光伏系统发电功率预测

为了提高光伏系统发电功率预测的精度,本文提出一种基于Spiking神经网络(SNN)的预测模型。该神经网络采用精确脉冲时间的编码方式,更接近真实的生物神经系统,具有强大的计算能力。考虑季节类型、天气类型和大气温度等主要影响因素,该模型采用灰色关联分析法选取相似日。本文应用实际光伏发电系统的数据分别对基于SNN、BP人工神经网络(BP-ANN)和支持向量机(SVM)的预测模型进行测试和评估。预测结果表明:SNN预测模型相比于BP-ANN和SVM模型有较高的预测精度和较强的适用性,可以为光伏系统发电功率预测提供一种可行方法。

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。

光伏发电功率预测方法研究

分析了影响光伏发电的主要因子,建立了基于BP神经网络的功率预测模型,并对模型进行了测试。利用相似日的历史输出功率值、最高温度、最低温度及预测日的最高温度、最低温度对输出功率进行直接预测。结果表明,该预测模型具有比较高的精度,可应用到实际生活中。

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。