基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R 2等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。

基于云图特征提取的改进混合神经网络超短期光伏功率预测方法

光伏功率时序受多种特征因素的影响,呈现出高度的随机性和波动性。不同于分布式光伏,集中式光伏具有地理位置与辐照水平的同一性,运动型云层的遮挡往往导致光伏功率的分钟级剧烈波动,对光伏功率预测精度提出了挑战。针对上述问题,该文提出基于云图特征提取的改进混合神经网络超短期光伏功率预测方法。首先,通过提取并匹配彩色云图局部特征描述子,提出基于地基云图的云轨迹跟踪方法;其次,为评估运动型云团引起的超短期辐照度变化,建立基于云轨迹追踪的辐照系数预测模型;为表征各特征序列的内在相关性,提出一种基于改进注意力机制(improved attentionmechanism,IAM)的卷积–长短时记忆混合神经网络(convolutional neural network-long and short-term memory network,CNN-LSTM)进行超短期光伏功率预测。在此基础上,综合天气类型与波动性聚类识别并提取功率波动过程,建立误差修正模型以进一步提高预测精度。采用西北某集中式光伏电站数据进行算例验证,结果表明,所提方法能有效提高预测精度,具有一定工程实用价值。

基于数据集蒸馏的光伏发电功率超短期预测

云是影响太阳直接辐射变化的主要因素,由于各类云的透光率不同,导致到达光伏电站的太阳辐射会随之产生波动。为解决各类云遮挡下的光伏发电功率波动大、预测模型个数多的问题,提出一种基于卫星云图和数据集蒸馏的光伏发电功率超短期预测模型。首先,基于待测场站上方的历史云图,采用Farneback光流法预测出云图;然后,根据卫星云分类标签数据建立各类云的样本库,利用数据集蒸馏算法训练样本库得到云类判别图,将预测云图与云类判别图匹配计算,获得云类聚合匹配特征;最后,利用上述特征、云量特征以及数值天气预报数据建立长短期记忆网络模型,对光伏发电功率进行超短期预测。利用某光伏电站数据进行验证,结果显示,该文所提模型能准确描述云层的各项特征,有效提升光伏功率预测精度。

基于CNN-GRU与特征增强的超短期光伏功率预测

超短期光伏功率预测对电力系统的实时调度有着重要意义。针对以往深度学习预测光伏输出功率重模型轻特征的特点,提出了一种基于CNN-CGRU与特征增强的超短期光伏功率预测方法。首先将历史数据按照季节划分,以平抑季节性变化对光伏输出功率的影响。然后将可测数据基于其物理性质进行特征增强,使其能够被神经网络模型更充分的挖掘。最后采用CNN-CRU模型充分挖掘数据的时间与空间特征,进一步提升预测准确率。应用中国江苏某装机容量为75MW光伏电站实际生产数据进行仿真验证,结果表明,上述方法在不同季节、天气情况下的预测精度均有较为明显的提升。

一种适用于单/多光伏电站的迁移超短期光伏预测建模框架

针对新建电站的历史数据量有限,且不同时段光伏数据的分布存在较大差异的问题,构建一种适用于单/多光伏电站的迁移超短期光伏预测建模框架。首先,为充分考量光伏序列的不确定性及数值天气预报的固有偏差,提出一种基于加权滚动时间窗聚类方法,同时为避免维度过高问题并强化天气类型与光伏发电功率之间的映射关系,提出类内外特征加权结构保持降维算法;其次,通过采用测地线流式核积分完成数据分布对齐,减小样本分布差异对单/多电站模型鲁棒性的影响;最后,采用梯度增强决策树建立光伏功率预测模型,实现光伏功率预测精度的提升。采用公开数据集PVOD验证了所提算法的有效性。

基于卫星遥感的超短期分布式光伏功率预测

光伏功率预测对于电网调度具有重要意义。该文针对缺少辐照度测量装置的分布式光伏电站,提出一种基于卫星遥感的超短期分布式光伏功率预测方法。首先基于Res-UNet模型对短波辐照(SWR)网格进行时空预测;然后对预测的SWR网格进行空间插值得到地面分布式站点的未来辐照度;最后构建基于编解码器的长短期记忆(LSTM)模型预测光伏出力。其中Res-UNet可以充分学习SWR网格的时空相关性,LSTM通过引入日编码和时间编码可以更好地学习辐照度的年周期性和日周期性。在真实光伏电站上的功率实验表明,与以数值天气预报辐照度为输入的光伏功率预测方法相比,以Res-UNet+插值预测的辐照度为输入的光伏功率预测方法实现了更高精度的超短期光伏功率预测。

基于马氏距离相似度量的光伏功率超短期预测方法的研究

提高光伏功率超短期预测精度可有效减小光伏发电并网对电力系统稳定性的影响。文章提出了一种基于马氏距离相似度量的光伏功率超短期预测方法。首先,文章采用Elkan K-means聚类分析方法对天气类型进行划分,并通过计算各气象因素与光伏电站输出功率间的灰色关联度,选出不同天气类型下影响光伏功率的主要气象因素;然后,根据样本日和预测日间主要气象因素的马氏距离选择若干个相似日,并将相似日的光伏功率作为预测模型的训练集,对预测日的光伏功率进行超短期预测。模拟结果表明:基于马氏距离相似度量得到的相似日光伏功率和预测日的相似度较高;将基于马氏距离相似度量得到的相似日光伏功率作为预测模型的训练集,可以提高光伏功率超短期预测精度,为光伏功率预测领域提供了有效的方法。