考虑数据分解和进化捕食策略的BiLSTM短期光伏发电功率预测

提出一种考虑数据分解和进化捕食策略的双向长短期记忆网络(BiLSTM)短期光伏发电功率预测模型。首先,针对大量高频分量且频率成分复杂的原始光伏发电功率,通过数据分解理论,提出互补集合经验模态分解(CEEMD)与矩阵运算的奇异值分解(SVD)融合的(SVD-CEEMD-SVD,SCS)方法,实现光伏发电功率数据的二次降噪。然后,建立进化捕食策略(EPPS)和BiLSTM的组合预测模型,以更好地挖掘模型的内在特征,提升功率预测精度。最后,以山东某地区实际光伏电站为例,验证模型在滤除光伏发电功率噪声和提升预测精度方面的有效性。

基于条件期望价值的风险规避调度方法

短期风水火电联合系统经济调度对于减少化石燃料消耗、提高清洁能源利用效率具有重要意义,然而风电的随机不确定性、水电的多级耦合性及火电的出力非线性等给电力系统经济调度带来新的挑战。对此,综合考虑风电不确定性的风险和效益,从风险规避的角度构建了基于条件期望价值的风险规避调度模型。在此基础上,考虑调度模型多模态、非线性、复杂约束的特性,利用进化捕食策略对该模型进行求解。算例仿真表明,所提模型能够从风险与效益两个维度可靠地度量短期风水火电联合系统调度,获得最优调度方案,以保证系统运行的可靠性、经济性,以及系统消纳可再生能源的能力。