基于网格化数值天气预报的区域光伏发电多输出功率预测方法

区域光伏的短期功率预测是省级及以上电网调控中心制定发电计划、提高光伏消纳率的重要基础之一。光伏短期功率预测本质上是构建数值天气预报与实际功率之间的映射模型,为了实现预测精度的提升,利用网格化的数值天气预报,采用残差网络建立区域光伏的多输出预测模型,充分挖掘区域光伏所属空间的气象资源分布与各光伏电站功率的关联关系,实现以网格化数值天气预报为输入的区域各光伏电站的功率预测。以实际运行数据进行仿真,结果表明,本文方法在各光伏电站的功率和总功率2个方面的预测结果均优于现有成熟方法。

多时段、多近邻处理的网格化气象预报神经网络模型研究与应用

为研究建立网格化气象预报神经网络模型,对人工智能网格化气象预报可能涉及的气象数据特征进行了讨论,提出采用“多时段、多近邻模式”进行人工智能网格化气象预报的方法;以雷电临近预警预报的神经网络模型研究为例,对该方法进行实例检验:选取闪电、雷达组合反射率、液态水含量、回波顶高等参数,经处理后得到1296个输入维度的神经网络模型。该模型以福建省2016年、2017年历史闪电数据进行训练,测试集准确率最终维持在95%左右;使用福建省2018年5~8月的数据对模型的准确率进行了检验,相比常规预报算法准确率提高了13.9%。结果表明,应用“多时段、多近邻模式”处理网格化气象预报大类别量输出的思路是可行的。

基于CNN-LSTM神经网络的输电线路覆冰预测技术研究

针对输电线路运维中持久且复杂多样的挑战以及复杂气候条件下输电线路覆冰现象对电网安全运行构成的严重威胁,提出基于卷积-长短时记忆(CNN-LSTM)神经网络技术的综合预测方法。该方法融合网格化数值天气预报的精细数据、杆塔地形特征信息及导线物理属性等多源数据,构建了一个高效预测模型,旨在解决输电线路单点覆冰厚度在未来3~72 h内的精确预测问题,为电力部门提供及时、科学的防冰抗冰决策依据。实验结果显示,该模型能显著提升覆冰预测的准确性和时效性,有效减少因覆冰导致的电网故障风险。