基于遗传算法的光伏系统发电量预测

为准确预测光伏系统的发电量,构建了用遗传算法优化的BP神经网络发电量短期预测模型(简称GA-BP模型)。通过遗传算法的迭代,对BP神经网络的权值和阈值进行优化,以实现对算法的改进。对所选择国能日新光伏系统预测大赛的数据进行预处理、归一化,并将数据输入GA-BP模型,进行了实验。对比实验说明,GA-BP模型不管是在预测结果上还是在模型稳定性上都明显优于BP神经网络模型。

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络(GA-WNN)的光伏电站发电量预测方法。首先,以反向传播(BP)神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法(GA)进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。

基于海量单机信息的风电场数据治理和发电量预测研究

随着风电场的快速发展,场站预测水平不高、场站管理粗放、缺少中长期发电量预测分析和评估等问题日益突出,已成为制约新能源消纳的主要因素。数据质量是风电厂预测发电量的基础,但是在业务数据产生的过程中,由于数据采集技术、现场设备、管理机制等方面的差异和漏洞,导致部分业务数据在准确性、完整性、时效性、一致性等方面不能满足需求。为此,有必要进行基于单机运行数据的治理,并开展基于治理后数据的中长期发电量预测的研究。

新能源风光场站发电量预测与交易策略

随着新能源技术的发展,其在全球能源结构中的份额逐年上升,带来了发电量预测和交易策略的新挑战和机遇。文章探讨了新能源风光发电技术的特点及其发电量的波动性。利用深度学习与神经网络模型,对新能源发电量进行高精度预测,同时结合交易市场的实际情况,构建了基于风险和收益的交易策略。通过机器学习的方法进一步优化交易策略,为新能源发电量的市场化交易提供科学依据。

基于支持向量机的区域电网光伏发电量预测研究

光伏发电量预测通常依赖于历史数据,数据的采集和质量存在差异,不同数据源可能存在误差,这会导致预测结果的不准确,因此提出基于支持向量机的区域电网光伏发电量预测研究。首先预处理光伏发电量数据,通过数据链的平滑划分,再对光伏单位进行归一化处理,进而对不符合常规的发电站数据进行检测,填补数据空缺后导入支持向量机的预测模型,最后在模型优化中实现区域电网光伏发电量的预测。实验中实验组的预测精度为92.37%,基于改进萤火虫算法的预测方法的预测精度为85.43%,基于灰色关联与麻雀优化算法的预测方法的预测精度为74.66%。实验结果表示所研究的方法能对光伏发电量进行较精确的预测,可投入使用。

一种基于集成学习和高斯过程的光伏发电量预测混合算法

集成算法被广泛应用于光伏发电量预测等工业场景。当没有足够的数据和工业知识储备时,该算法只能提供点预测,不能提供区间预测,降低了模型预测精度。为了解决该问题,文章提出了一种基于集成学习和高斯过程的光伏发电量预测算法。该算法利用集成学习进行光伏发电量的点预测,由多种算法组合而成,具有高精度特性。同时,文章所提的高斯过程算法将集成学习算法预测值作为输入、光伏发电量作为目标值,进行模型训练和迭代,高斯过程算法对模型进行区间预测,提高了模型的预测精度。实际的光伏场站案例验证了文章所提方法的有效性。

动态平滑系数和参数的动态三次指数平滑法在火电厂发电量预测研究

考虑到发电量预测的复杂性和其在供需管理中的重要性,本文引入了动态三次指数平滑法并采用动态平滑系数进行优化,与传统的加权移动平均法和时间序列预测模型进行对比。基于实际采集的发电量数据,研究显示,该模型具备出色的预测精度和拐点预测能力。此研究成果为火电厂提供了一种具备高精度和实用性的预测工具,有望为火电厂发电量的供需平衡提供重要的决策支持。

面向大型综合交通枢纽供电的太阳能光伏发电量预测研究

面向大型综合交通枢纽供电的光伏发电时间跨度较大,导致传统方法预测发电量的准确率较低。因此,提出面向大型综合交通枢纽供电的太阳能光伏发电量预测研究。首先获取影响太阳能光伏发电量的气象因素,如光照和温度等,并将其经过预处理后作为预测模型的输入特征参数。其次构建一个BP神经网络模型,将历史气象数据与历史大型综合交通枢纽供电数据输入到模型中,进行学习训练得到面向大型综合交通枢纽供电的太阳能光伏发电量的预测结果。实验结果表明,设计方法预测的发电量与实际发电量之间的拟合度高达0.978,预测性能优越。

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据,提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度,首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量,将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测;然后通过ARMA模型对第三本征模态分量数据(IMF3)进行建模预测,再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量,将该低频分量输入设计好的LSTM网络中进行建模预测;最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性,实证结果对比了单一LSTM和ARMA模型的预测性能,并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68,单一LSTM的RMSE值为58.74,单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。

基于改进Elman神经网络的发电厂发电量预测

为了减小计划发电量滞后性对发电厂生产活动的影响以及解决发电厂预测电量过程中缺乏科学指导的问题,提出一种结合数据重构和滚动预测的改进Elman神经网络的预测方法.采用变分模态分解(VMD)方法分解上海某电厂2016年-2022年的月度发电量数据,并建立基于天牛须搜索算法(BAS)改进Elman神经网络的发电量预测模型,将分解重构后的数据滚动输入预测模型,结果表明:VMD提高了数据的平稳性,经过分解、重构后的数据滚动输入模型,不仅扩大了原始数据量还避免了影响因素的分析,保留了原始数据特征,使模型的精度和预测速度有了显著提升,能够快速有效地指导发电厂制定燃煤采购及电力市场调度方案.

基于改进萤火虫算法的光伏太阳能发电量预测方法

当前光伏太阳能发电量预测节点一般设定为单层级,预测的范围受到极大限制,导致预测MAPE(平均绝对百分比误差)增大,为此文章提出基于改进萤火虫算法的光伏太阳能发电量预测方法。根据实际的预测需求及标准变化,进行初始预测数据预处理,采用多阶预测的形式,打破传统发电量预测方法对于预测范围的限制,完成隐含层预测节点的布设,构建改进萤火虫发电量预测模型,采用GA-BP二次修正实现预测处理。测试结果表明:与传统ACO-KF-GRUEC光伏太阳能发电量预测、传统RBF神经网络光伏太阳能发电量预测对比,文章设计的改进萤火虫光伏太阳能发电量预测方法的MAPE被较好地控制在了7%以下,说明该种预测方法具有实际的应用价值。

新电力市场下的全国发电量年度组合预测研究

电力需求量往往受到多种因素的影响,且影响作用各有不同,与之相对应的电力供应量也受多种因素的影响,包括经济因素、气象因素及时序本身等。采用经典的多元线性和BP神经网络2种预测方法,以2000~2021年的全国发电量数据为实例,分别对未来10年的发电量进行预测,讨论GDP和人口对发电量的影响情况,分析了不同预测理论在实际应用中的具体使用方法。

基于ISSA-SVR的短期光伏发电量预测

为提升光伏电站的发电量预测精度,提出一种基于改进松鼠搜索算法优化支持向量机回归的光伏发电量预测模型。首先提出适用支持向量机回归作为基础预测模型,然后提出一种改进的松鼠搜索算法对SVR中参数进行寻优,最后在测试ISSA寻优性能后,构建发电量预测模型,仿真结果证明本文所提模型的预测效果较好,为相关研究也起到参考作用。

基于噪声场合下ARMA模型的风力发电量预测

针对普通的ARMA模型的预测质量由于各种原因会大大降低的情况,依据富锦风电场风力发电量的时间序列,基于HOYW定阶方法建立了噪声场合下的ARMA模型。通过对模型残差白噪声性能的分析,验证了模型的适用性。应用此模型进行了预测分析,得到的归一化平均绝对误差(NMAE)为0.0658。通过与普通的ARMA模型预测精度方面的对比,进一步验证了噪声场合下基于ARMA模型风力发电量预测的优越性。

基于PCA-BPNN的并网光伏电站发电量预测模型研究

针对目前光伏电站发电量预测模型中输入气象维数较多、预测精度低等问题,提出基于主成分分析(PCA)和BP神经网络(BPNN)相结合的光伏电站发电量预测模型。利用PCA对水平面太阳总辐射、日照时数、气温日较差等多个气象变量进行解耦降维处理,形成相互正交、相互独立的公因子变量。将这些公因子变量作为BPNN模型的输入变量,并进行训练拟合建模,从而实现对光伏电站发电量进行预测。文章利用我国华中地区某屋顶并网光伏电站的实测数据,对PCA-BPNN模型进行检验。通过研究结果可知,与常见的预测模型相比,PCA-BPNN模型大大降低了气象变量的输入维数,该模型预测结果的准确性较高。

聚类分析在光伏发电量预测中的应用研究

为了从光伏发电历年数据中筛选出有效样本,并提高光伏发电量预测模型的准确率,文章将聚类分析应用于光伏领域,并结合神经网络建立了光伏发电量预测模型。以晴天、多云和雨天3种天气类型为目标,利用聚类分析对历史数据中的异常样本进行筛选,并将筛选后的样本作为训练数据建立了反向传播(BP)神经网络预测模型。通过对比筛选前后预测模型的计算结果可知,利用聚类分析筛选后的数据所建立起来的预测模型精度较高,因此,聚类分析和BP神经网络相结合是提高光伏发电量预测精度的一种有效方法。

基于ARMA模型的水电站概率性发电量预测

水电站发电量通常具有较大的随机性 ,水电站的发电量的预测对于水电比重较大的电网结构具有重要的意义。本文首先对某水电站的年发电量序列进行分析 ,然后根据分析结果提出了基于 ARMA模型的水电站概率性发电量预测方法。

基于ARIMA的发电量预测方法

根据 1952—2001 年我国 50 年的发电量数据,利用时间序列的有关理论,经过多次拟合,找出适合我国发电量的单整自回归移动平均模型(ARIMA)。利用 AIC 准则确定模型参数。根据模型对我国未来 5年的发电量进行预测,结果表明预测精度误差小于 3%,该方法可满足实际要求。

主成分分析结合神经网络的光伏发电量预测

针对光伏发电量预测模型主要以气象因素、历史发电量等作为BP神经网络的输入,输入量多、数据冗余、网络难以收敛。利用主成分分析法PCA(principal components analysis)分析原来多个输入变量反映的个体信息,提取较少的几项综合性变量,减少预测模型的输入量。同时利用遗传算法优化BP网络的权值阈值建立预测模型,克服了神经网络算法的局部收敛、训练速度慢等问题。实验结果表明,该方法提高了预测精度,为解决光伏系统发电量预测提供了一种可行方法。