基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A 1、多云A 2、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。

基于深度学习的风电短期功率预测方法研究

风力发电本身具有随机性和波动性,加上我国风电资源的加速发展,使得风电单机容量和并网型风电场规模扩大,给电力系统的安全性、稳定性、经济性和可靠运行带来很大挑战。利用发电输出功率的预测结果,为实时经济调度提供可靠依据,是目前较为迫切的需求。本文提出了一种基于随机森林算法和LSTM模型相结合的深度学习算法用于短期风电功率预测。通过对某发电厂数据的评估,采取了多项措施应对可能的误差源,包括随机森林算法进行特征筛选,处理空缺值和异常值。经调试选择最优参数后,将随机森林和高斯过程与LSTM深度模型结合,导入数据进行预测,并使用均方误差函数计算预测误差。将该模型应用于实测数据验证,结果表明,评估模型的均方误差为0.009831。

基于组合神经网络的分布式光伏超短期功率预测方法

分布式光伏电站在电力系统中的渗透率逐年升高,为保障电网安全稳定运行,提出一种基于组合神经网络的分布式光伏超短期功率预测方法。首先利用一维卷积神经网络(1DCNN)与长短时记忆(LSTM)神经网络构建1DCNN&1DCNN-LSTM组合神经网络模型,获取多位置数值天气预报(NWP)信息与历史功率信息;然后利用组合神经网络模型进行空间相关性光伏功率预测与时间序列预测,并在组合神经网络模型中加入全连接神经网络(FCNN),利用全连接神经网络对2种预测结果进行学习与权重分配,实现了分布式光伏发电功率的超短期预测。采用河北某光伏电站实测数据进行验证,验证结果表明,该方法能够有效提高分布式光伏预测精度,具有一定的实用价值。

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A_(1))、多云(A_(2))、阴天(A_(3))、雨天(A_(4));通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。

基于动态关联表征与图网络建模的分布式光伏超短期功率预测

现有方法忽略了分布式光伏时空关联性的动态变化,难以有效利用时空特征信息提升功率预测精度。考虑到分布式光伏出力的强波动特性与分布式光伏集群强时空关联性,提出一种基于时空关联动态表征与图卷积网络建模的分布式光伏超短期功率预测方法。首先,将各分布式光伏复杂出力序列分解为相对简单、波动较小的多个波动模态分量。然后,考虑到分布式光伏场站间时空关联性动态变化,利用数据驱动方式提取各类波动模态分量表征的各分布式光伏间深层次时空关联关系,并构建由各波动模态分量表征的多个动态时空图结构。在此基础上,建立考虑动态时空关联性的图卷积预测模型,针对不同模态下出力子序列分别预测,而后重构得到各场站功率进而获取区域分布式光伏总功率。最后,基于真实分布式光伏出力数据验证了所提方法的优越性。

基于改进GRU-CNN的风光水一体化超短期功率预测方法

风、光、水能源系统模型差异性大,相互存在多重不确定性,高精度的风、光、水功率预测是充分发挥风、光、水互补特性的重要前提。为此,基于门控循环单元(GRU)及卷积神经网络(CNN),提出了一种能够考虑异质能源时序特性及空间关联特性的一体化超短期功率预测方法。先分析了区域内不同场站不同数据的关联特性,再通过引入时序注意力机制,基于改进的GRU-CNN网络,建立了历史气象、功率数据与未来功率数据的映射关系,实现了多场站联合超短期预测。算例结果表明:所提预测方法能够实现区域风光水电站的一体化高精度超短期功率预测,效果优于单场预测及常规联合预测方法,且有着更高的建模效率。

基于VMD-SSA-BP方法的光伏发电短期功率预测

光伏电站输出功率序列普遍存在随机波动性的问题,这对光伏并网的正常运行提出了考验。为准确预测光伏发电功率,降低对电网的不良影响,本文提出一种基于VMD-SSA-BP的组合神经网络方法用于光伏功率短期预测。相较于单一误差BP神经网络算法,本文通过SSA优化得到了BP神经网络的最优初始权阈值,在此基础上,利用VMD算法分解了光伏序列,使模型更具泛化性。实验证明,该模型可有效预测光伏出力值,提高了光伏功率预测的准确性。

计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。

基于聚类算法和转换网络的光伏短期功率预测

精准的光伏功率预测对优化光伏电站的运行和管理以及提高光伏发电的效率具有重要作用,本文提出了一种基于聚类算法和转换网络的光伏功率预测方法。首先,基于自编码器的无监督聚类算法对光伏短期功率数据进行了预处理,以降低光伏出力数据本身的不稳定性对功率预测的影响。之后,使用具有自注意力机制和多头注意力机制的转换网络进行光伏短期功率的预测,转换网络相比传统的循环神经网络(RNN)更善于挖掘时序之间的关系,注意力机制使得转换网络具有并行计算的能力,可以加快网络训练的速度。最后,利用澳大利亚光伏功率与气象数据中心(DKASC)的光伏数据集验证了所提出的预测方法。根据实验结果,本方法提供了一个合理的预测精度水平。

风电集群短期及超短期功率预测精度改进方法综述

风电集群短期及超短期功率预测是提升电网健壮性的有力手段。该文总结国内外风电集群短期与超短期功率预测技术的现状,从集群和单个风电场两个方面,归纳风电功率预测技术的分类;从预测流程、数据来源、数据流向、物理层次4个方面论述风电集群功率预测系统的整体框架;提出具有泛化意义的风电功率预测的物理层次结构,并从数据层、映射层、特征层、模型层、反馈层5个不同的层面讨论风电功率预测技术的精度提升方法及其发展方向,对短期、超短期风电功率预测、集群功率预测的研究具有一定参考价值。

基于提升小波-BP神经网络的光伏阵列短期功率预测

提高光伏阵列的短期功率预测的精度,对光伏电站运营管理效率具有重要作用。文章提出了一种提升小波变换与BP神经网络相结合的直流侧功率输出预测滑移算法,对光伏阵列的超短期功率进行预测。实验结果表明,文章所提出的算法对超短期功率预测具有较高的精度,适用于晴天、多云、阴雨等复杂天气条件。

基于人工神经网络的风电场短期功率预测

基于人工神经网络法(ANN)对内蒙古某风电场短期输出功率进行了预测研究,给出了较详细的实现过程,并比较了单一ANN预测方法和基于物理方法与统计方法的混合ANN预测方法的预测精度。计算结果表明,单一ANN预测方法能快速给出预测结果,但预测精度较低,均方根误差为10.67%;而混合ANN预测方法步骤较多且较费时,但预测精度较高,均方根误差为2.01%,不到单一ANN法的1/5。同时,针对预测过程中小于5m/s的小风速段和大于15m/s的大风速段所呈现的预测误差较小的原因进行了深入分析。

基于数据增强的分布式光伏电站群短期功率预测(一):方法框架与数据增强

目前我国的分布式光伏短期功率预测多缺乏功率与气象要素的历史实测和预报数据,难以直接复制集中式光伏的成熟技术路线,现有无辐照预测路线误差较大。本系列论文分为上下两篇阐述一种基于数据增强的分布式光伏电站群预测技术。此文为上篇,研究数据增强技术,包括基于时空相关性的缺失功率数据重构方法和基于三维神经网络的辐照预测加密模型,实现了功率数据、关键气象变量的高分辨率网格覆盖,为下篇网格化精细预测奠定了基础。仿真结果表明,相较于现有方法精度有显著提高,并适用于小样本训练。

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型。通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律。实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度。

基于数据增强的分布式光伏电站群短期功率预测(二):网格化预测

在数据增强的基础上,提出了地域全覆盖的网格化分布式光伏电站群短期功率预测方法。该方法将大区域分为小网格,基于曲线特征距离筛选全区域相似日,降低个别网格数据扭曲的影响,采用三维卷积神经网络建立网格化辐照预测到网格化光伏功率输出的映射关系,最后通过发电起止时刻校正进一步提高精度。仿真计算显示,所提方法相较于现有无辐照预测、单网格独立预测等方法有效提高了分布式光伏电站群功率预测的准确性和鲁棒性。

风电场短期功率预测

为了减轻风电并网时对电网的冲击,基于短期风速预测理论结合功率曲线拟合研究了短期功率预测方法。首先,利用集成经验模态分解(ensemble empirical mode decomposition,EEMD)将风速序列分解为不同子序列,以减小不同特征尺度序列间的影响;然后,采用多种群遗传算法(multi-population genetic algorithm,MPGA)对最小二乘支持向量机(least square support vector machine,LSSVM)的核宽度和正则化参数进行优化,利用优化后的模型对子序列分别进行预测并叠加结果实现风速预测;最后,利用权重线性递减方法改进的粒子群算法(particle swarm optimization,PSO)拟合功率曲线,完成风速到功率的转换,实现短期功率预测。实例仿真结果表明,所提预测方法有效提高了风电功率预测精度,具有实际的工程应用价值。

用于提升风电场短期功率预测准确率的储能系统出力控制策略

目前对于储能系统应用于平抑新能源发电的波动性、移峰填谷等场景的控制策略已有文献研究,但对于风功率预测准确率影响风电场效益的机制下储能系统应用的可行性尚未见研究。本文提出了一种以减小风电场短期功率预测偏差为目标的储能系统出力控制策略,控制策略以风电场实时出力数据(秒级)为数据源,采用线性外推加以移动平均优化的方法预测下一时刻风电场出力,通过比较风电场短期功率预测值与实时预测值,计算储能系统期望出力,并根据储能系统不同SOC区间内的出力能力进行约束,输出储能系统出力指令,最后进行了仿真验证。结果表明,本文提出的储能系统出力控制策略,能够使风电场通过配置储能系统,减少短期功率预测准确度考核,对风电场的精益化运行具有指导意义。

基于聚类分析的风电场短期功率预测方法研究

为了充分利用历史风速数据所蕴含的信息,本文根据风速和风电功率的日相似性提出基于聚类分析的短期功率预测方法,通过对原样本数据进行预处理,选取与预测日NWP特征参数相似的历史日数据,以此作为建立模型的训练样本,将气象部门提供预测日的NWP信息作为预测日的特征参数,计算特征参数间的欧式距离,以此作为相似性度量的依据,最后利用聚类后的相似样本建立预测模型,以NWP数据为输入参数,实际风电功率为目标值,经过训练后得到聚类风电功率短期预测模型。经实际风电场测试,预测精度明显提高。

基于BP神经网络的风电场短期功率预测

风力发电具有绿色环保、资源丰富和容易开发等优势,但其间歇性和随机性的缺点对电力系统的安全、稳定运行,以及电能质量产生的影响却限制了风电的发展,而风电场功率短期预测是解决该问题的有效途径之一。负荷预测的精度与历史数据的准确性直接相关,提出将历史数据的处理分为失真数据查找和空缺数据补全两部分来处理的思想,并将负荷预测中的回归分析应用到数据处理中,提高了历史数据的准确性。在建立BP神经网络模型时,利用SPSS中的相关性分析和经验公式,确定输入层神经元和隐层神经元的范围,经多次试验后确定BP神经网络模型,并对某风电场的短期功率进行预测。结果表明,该方法精度较高,为电力调度部门提供了很好的依据,同时也为提高电网中风电装机比例提供了一种有效的途径。