基于DCGCN模型的海上风电场超短期功率预测

图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。

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。

考虑海上风电多机组时空特性的超短期功率预测模型

海上风电单机预测无法快速预测海上风电场整体功率,且各机组间波动不均会造成集群功率曲线质量差、预测精度低的问题。因此,文中提出考虑海上风电机组时空特性的超短期功率预测模型。首先,利用改进动态时间弯曲算法量化度量海上风电机组时空特性相似度,分析海上风电机组的时空特性;然后,采用基于深度学习的Transformer模型建立海上风电功率预测模型;最后,综合考虑海上风电机组时空特性相似度与母线位置信息,聚类海上风电机组并进行超短期功率预测。通过对海上风电机组实测数据的分析表明,所提出的方法可有效量化与度量海上风电机组间时空特性并及时预测超短期海上风电机组群功率。

基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测

针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度。其次,基于TPA机制,从Bi LSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差。最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务。研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.0546,证明TPA机制能有效提高多风电机组的超短期功率预测精度。

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性。针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型。采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型结构。在此基础上将Attention机制与LSTM网络相结合作为预测模型。Attention机制通过对LSTM的输入特征赋予了不同的权重,使得预测模型对长时间序列输入的处理更为有效。以某地光伏电站实测数据对文中所提模型进行训练和对比验证,所提出的预测模型能够更充分地利用历史数据,对长时间输入序列中的关键信息部分更为敏感,预测精度更高。

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。

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。

基于邻域前向时序最优组合的分布式光伏超短期功率预测

在全球碳中和目标下,光伏等清洁零碳新能源成为碳减排的关键,分布式光伏也成为该行业发展的重要方向。由于分布式光伏出力具有较强的随机性和波动性,精准功率预测是其参与电网调度运行的基础。在当前分布式光伏所获取信息有限的情况下,提出了一种基于邻域前向时序最优组合的分布式光伏超短期功率预测模型,考虑邻近区域分布式光伏站点间实时出力关联性,挖掘生成区域性多气象状态时空耦合预测场景。模型扩展有效信息维度,在不依赖于地表气象观测装置的情况下进行高效训练建模,具有经济、轻量与易部署的特点,提升了有限信息下的分布式光伏超短期功率预测精度。采用某区域分布式光伏系统实采数据进行算例分析,分别与基于功率时序推移、基于多站点相似的经典分布式光伏超短期功率预测模型相比较,结果表明所提模型具有更高的预测精度。

基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法

由于缺乏气象数据,分布式光伏在天气骤变场景下预测精度不高,提出了一种基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法。首先,将相似时段概念由日扩展至更灵活的时间段,并提出了一种历史功率与卫星遥感信息融合的匹配策略,旨在无须依赖气象数据的情况下,高效识别出对预测最为关键的相似功率时段。在此基础上,融合Transformer网络的强大时序建模能力,动态解析多源相似时段中的隐藏关联,深入挖掘功率关键特征信息,从而为天气骤变条件下的分布式光伏系统提供更为精确的超短期功率预测。最后,通过实际分布式光伏功率数据验证了所提方法的有效性。

基于改进Cao算法的SSA与误差修正的超短期风电功率预测

针对风电历史信息运用不充分和未充分挖掘机器学习模型潜力的问题,提出一种特征奇异谱分析和模型误差修正的超短期功率预测。首先,利用随机森林分析不同特征对输出功率的影响程度,并利用累积贡献率进行特征提取。其次,通过改进的Cao算法确定奇异谱分析最佳嵌入维数,对提取的特征实现降噪处理,从而构建风电功率预测模型。最后,利用预测值与真实值的误差构建误差预测模型,通过预测的误差来修正功率预测的结果。以国内某小型风电场算例结果表明,所提方法较卷积神经网络-长短期记忆(CNN-LSTM)预测模型均方根误差(RSME)和均方误差(MSE)分别降低45%和53%,验证了所提模型的有效性。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

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TCN-Wpsformer混合模型的超短期风电功率预测

针对基于梯度下降的递归神经网络难以捕获时间跨度较长的风电功率长期依赖关系的问题,提出一种基于时间卷积网络(TCN)和窗口概率稀疏Transformer(Wpsformer)混合模型的超短期风电功率预测方法。将包含时间季节性特征的时间编码与包含原始数据位置信息的绝对位置编码进行拼接,引入TCN提取时间片段特征,将时间片段特征融入自注意力机制,以时间片段的相关性联系替代时间点的相关性联系。通过Wpsformer模型多步输出超短期风电功率预测值,与原始Transformer模型相比,Wpsformer模型使用窗口概率稀疏自注意力机制,在捕获长期依赖关系的同时筛选出重要程度相对较高的时间片段特征进行计算,提高了预测精度且降低了计算成本。曹店风电场的算例结果表明,所提模型在预测精度方面具有明显优势。消融实验证明了所提模型各模块的必要性。

基于VMD-PE-MulitiBiLSTM的超短期风电功率预测

为减少超短期风电功率预测的误差,提出基于变分模态分解(variational mode decomposition,VMD)-排列熵(permutation entropy,PE)和多层双向长短时记忆(multilayer bidirectional long short-term memory,MultiBiLSTM)组合的超短期风电功率预测模型。首先,利用VMD分解算法将历史风电功率序列分解成若干个子模态分量,根据计算的PE值重构分解的子模态风电分量;然后,使用特征注意力(feature attention,FA)机制和深度残差级联网络(deep residual cascade network,DRCnet)构建MulitiBiLSTM预测模型,预测重构后的子序列;最后,重构子序列预测值,得到最终风电功率预测结果。使用贵州某风场的数据集对所提出的方法进行验证,并和其他预测模型进行对比。结果表明,使用VMD-PE-MultiBiLSTM模型能显著降低风电功率预测误差。

风电场超短期风功率预测问题研究

以河北省某实际风电场为例,选取风电机组历史功率数据、风速以及数值天气预报的风速和风向作为输入因子,采用人工神经网络法对风电场超短期功率预测问题进行研究。研究结果显示,输入因子的差异性对风功率预测结果影响较大。另外,风电机组历史数据对功率预测结果的影响随时间增加而减小,进行3 h以上风电场功率预测时预测结果精度在很大程度上依赖数值天气预报数据精度。

基于超短期风电功率预测的混合储能控制策略研究

为了改善风机出力特性,提出了一种基于超短期风电功率预测的混合储能控制策略。首先,利用解析模态分解方法从风电信号中提取低频信号,采用了一种改进布谷鸟方法优化支持向量机的惩罚因子参数和核函数参数进行超短期功率预测;然后,对低频预测信号建立1 min时间尺度和30 min时间尺度的功率波动并网指标,判断是否触发蓄电池动作,若动作,采用AMD分解自适应调整低频预测信号的截止频率,直到满足并网要求,确定蓄电池补偿功率指令。最后根据蓄电池荷电状态和补偿功率指令自适应调节原始风电信号截止频率,高频信号通过模糊控制由超级电容器补偿。仿真算例表明,该方法可以有效平滑功率波动,减少蓄电池的循环次数,同时保证了蓄电池储能的平滑能力,避免过充过放,延长蓄电池的寿命。