非晴空条件下光伏发电短期功率预测方法

针对非晴空条件下光伏发电短期功率预测精度不高的问题,提出一种基于自适应混合核的相关向量机光伏发电短期功率预测方法。通过构造混合核函数和自适应寻优核参数来增强预测模型的泛化和学习能力,建立对多尺度多模态变化数据的映射关系,实现光伏发电功率随机性波动规律的机器学习和有效捕捉。采用关联系数筛选历史相似日,通过历史相似日数据自动确定最优预测模型。最后,采用美国俄勒冈州某光伏电站的实测数据进行实验,对比该文方法与其他预测方法的功率预测精度。结果表明该文预测方法在非晴空条件下对光伏发电短期功率预测精度最高。

基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测

针对短期光伏发电功率建立精准概率预测模型是提高电网安全稳定运行的重要手段。为了提高非晴空条件下光伏发电功率预测的精度和稳定性,选用具有优良正则化特性的贝叶斯神经网络模型作为基础算法。首先通过改进自适应噪声完备集合经验模态分解方法对多尺度多模态变化气象数据进行平稳化处理,简化映射关系建立步骤;其次引入长短期记忆神经网络来增强模型对光伏发电功率随机波动性和时序性的有效捕捉;进而结合各项算法提出基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测方法;最后以宁夏太阳山光伏电站实测数据为测试对象,对非晴空条件下的光伏发电功率进行预测,所提模型较之传统算法在非晴空条件下点预测和概率预测效果均显著改善,充分验证所提方法的有效性和可靠性。