基于LSTM分位数回归的零碳能源系统不确定性规划方法研究

零碳能源系统是建设清洁低碳能源体系、促进碳中和目标达成的有效途径。但风、光等可再生能源发电的间歇性和波动性给零碳能源系统的合理规划与科学配置带来巨大挑战。基于此,提出了基于长短期记忆网络(LSTM)分位数回归的零碳能源系统不确定性规划方法。首先,构建了零碳能源系统的物理结构,并对系统内典型设备进行建模;其次,基于区间数理论思想,构建了基于LSTM分位数回归的光伏发电区间预测模型;然后,以系统年总经济成本最小为目标函数,构建了可实现设备配置与运行策略协同优化的混合整数线性规划模型;最后,通过典型算例分析,验证了所提模型应对零碳能源系统不确定性规划的可行性。

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。