基于XGBoost的双层协同实时校正超短期光伏预测

针对超短期光伏预测应对突发过程性天气时准确性普遍下降,而通过实时气象监测校正辐射值对设备要求较高、对精细化预报依赖性强的问题,以数据驱动为理念,提出了基于XGBoost的双层协同实时校正超短期光伏预测模型。根据大气运动的连续演变性和自相似性,从机器学习角度推演气象整体连续变化的过程,提升预测精度。首先,基于数值天气预报(NWP),在基准层建立强相关气象特征的预测模型。然后,在实时层由临近时段内的基准层动态预测情况挖掘潜在的气象变化规律,并推测未来预测时段气象因素对于光伏出力的影响,对时段内基准预测值进行逐点校正。采用中国杭州滨江一实际光伏电站实采数据进行算例分析,分别与基于NWP特征学习、时序分析、误差推移的XGBoost预测模型以及决策树、支持向量机、长短期记忆网络这3种经典预测模型相比较,结果表明所提模型具有更高的超短期光伏预测精度。

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。

考虑多光谱卫星遥感的区域级超短期光伏功率预测

建设含高比例新能源的新型电力系统是实现国家“双碳”战略目标的重要途径,而分布广泛的光伏发电将在其中占据较大比重。由于光伏出力的随机性,未来的高比例新能源电网需具备更强的区域协调互动能力,更依赖准确可靠的区域级预测技术。相比于单站址预测,区域级光伏预测需要掌握大范围地区的云运动轨迹,分析不同电站位置的气象差异,并尽可能避免对区域内所有电站逐个重复建模。因此,该文基于卫星遥感数据,提出针对区域级光伏上采样值的超短期预测方法。该方法包含多光谱图像融合、图像预测和双层生成式采样光伏预测,在能够充分利用多光谱卫星遥感图像的同时,基于生成式模型降低了图像预测误差对光伏出力预测的影响。通过对公开的欧洲气象卫星及比利时省级光伏数据进行预测仿真,结果表明,该文方法能够有效提升提前1.5h及以上时间尺度的超短期光伏预测精度,可以满足区域间电网的实时调度需求。

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。

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。

基于Kalman滤波和BP神经网络的光伏超短期功率预测模型

随着光伏电站规模不断扩大,提高光伏发电功率预测精度,将对电网的稳定运行有很大帮助。然而,光伏发电最重要的影响因子辐照度受云量影响很大,随机性很强,特别当多云的时候,变化更是很快速、剧烈,这给光伏超短期功率预测带来困难。为此,本文提出一种基于Kalman滤波和反传播(back propagation,BP)神经网络的光伏超短期功率预测模型,采用地外辐射和Kalman滤波估计辐照度,温度和湿度预测值则通过持续预测法获得,再将这三者作为神经网络的输入来预测未来15min的光伏发电功率。最后,采用连续三日的实际数据验证了本文提出模型的可行性。

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。