Short-Term Prediction of Photovoltaic Power Generation Based on LMD Permutation Entropy and Singular Spectrum Analysis

The power output state of photovoltaic power generation is affected by the earth’s rotation and solar radiation intensity.On the one hand,its output sequence has daily periodicity;on the other hand,it has discrete randomness.With the development of new energy economy,the proportion of photovoltaic energy increased accordingly.In order to solve the problem of improving the energy conversion efficiency in the grid-connected optical network and ensure the stability of photovoltaic power generation,this paper proposes the short-termprediction of photovoltaic power generation based on the improvedmulti-scale permutation entropy,localmean decomposition and singular spectrum analysis algorithm.Firstly,taking the power output per unit day as the research object,the multi-scale permutation entropy is used to calculate the eigenvectors under different weather conditions,and the cluster analysis is used to reconstruct the historical power generation under typical weather rainy and snowy,sunny,abrupt,cloudy.Then,local mean decomposition(LMD)is used to decompose the output sequence,so as to extract more detail components of the reconstructed output sequence.Finally,combined with the weather forecast of the Meteorological Bureau for the next day,the singular spectrumanalysis algorithm is used to predict the photovoltaic classification of the recombination decomposition sequence under typical weather.Through the verification and analysis of examples,the hierarchical prediction experiments of reconstructed and non-reconstructed output sequences are compared.The results show that the algorithm proposed in this paper is effective in realizing the short-term prediction of photovoltaic generator,and has the advantages of simple structure and high prediction accuracy.

Short-TermWind Power Prediction Based on Combinatorial Neural Networks

Wind power volatility not only limits the large-scale grid connection but also poses many challenges to safe grid operation.Accurate wind power prediction can mitigate the adverse effects of wind power volatility on wind power grid connections.For the characteristics of wind power antecedent data and precedent data jointly to determine the prediction accuracy of the prediction model,the short-term prediction of wind power based on a combined neural network is proposed.First,the Bi-directional Long Short Term Memory(BiLSTM)network prediction model is constructed,and the bi-directional nature of the BiLSTM network is used to deeply mine the wind power data information and find the correlation information within the data.Secondly,to avoid the limitation of a single prediction model when the wind power changes abruptly,the Wavelet Transform-Improved Adaptive Genetic Algorithm-Back Propagation(WT-IAGA-BP)neural network based on the combination of the WT-IAGA-BP neural network and BiLSTM network is constructed for the short-term prediction of wind power.Finally,comparing with LSTM,BiLSTM,WT-LSTM,WT-BiLSTM,WT-IAGA-BP,and WT-IAGA-BP&LSTM prediction models,it is verified that the wind power short-term prediction model based on the combination of WT-IAGA-BP neural network and BiLSTM network has higher prediction accuracy.

Gaussian Kernel Based SVR Model for Short-Term Photovoltaic MPP Power Prediction

Predicting the power obtained at the output of the photovoltaic(PV)system is fundamental for the optimum use of the PV system.However,it varies at different times of the day depending on intermittent and nonlinear environmen-tal conditions including solar irradiation,temperature and the wind speed,Short-term power prediction is vital in PV systems to reconcile generation and demand in terms of the cost and capacity of the reserve.In this study,a Gaussian kernel based Support Vector Regression(SVR)prediction model using multiple input variables is proposed for estimating the maximum power obtained from using per-turb observation method in the different irradiation and the different temperatures for a short-term in the DC-DC boost converter at the PV system.The performance of the kernel-based prediction model depends on the availability of a suitable ker-nel function that matches the learning objective,since an unsuitable kernel func-tion or hyper parameter tuning results in significantly poor performance.In this study for thefirst time in the literature both maximum power is obtained at max-imum power point and short-term maximum power estimation is made.While evaluating the performance of the suggested model,the PV power data simulated at variable irradiations and variable temperatures for one day in the PV system simulated in MATLAB were used.The maximum power obtained from the simu-lated system at maximum irradiance was 852.6 W.The accuracy and the perfor-mance evaluation of suggested forecasting model were identified utilizing the computing error statistics such as root mean square error(RMSE)and mean square error(MSE)values.MSE and RMSE rates which obtained were 4.5566*10-04 and 0.0213 using ANN model.MSE and RMSE rates which obtained were 13.0000*10-04 and 0.0362 using SWD-FFNN model.Using SVR model,1.1548*10-05 MSE and 0.0034 RMSE rates were obtained.In the short-term maximum power prediction,SVR gave higher prediction performance according to ANN and SWD-FFNN.

结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究

为了提高模型预测性能,提出一种综合太阳辐射模型及深度学习的光伏功率预测模型。首先,利用太阳辐射机理建立太阳辐射模型(SRM),估算出水平面上总辐射值,再由斜面辐照度转换方法计算出光伏组件所接收的斜面辐射值。其次,通过皮尔逊相关分析法筛选出对光伏功率影响较大的主要因素,将斜面辐射计算值及主要影响因素作为输入,采用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立光伏功率SRM-CNN-LSTM预测模型。分别利用春夏秋冬四季典型日的数据开展对比实验,结果表明:与几种其他方法相比,该文方法具有更好的预测效果。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值(K-means++)算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明:该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。

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。

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

基于VMD-LILGWO-LSSVM短期风电功率预测

目的为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解(VMD)、改进灰狼算法(LILGWO)和最小二乘支持向量机(LSSVM)的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差(mean absolute error,MAE)为2.7068 kW,均方根误差(root mean square error,RMSE)为2.0211,拟合程度决定系数(R-Square,R^(2))为0.9769,与对比方法3~6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R^(2)分别提升了4.21%,1.78%,0.82%,0.28%。预测时长方面,BP和LSSVM平均训练时间分别是10,138 s,虽然LSSVM预测时间较长但效果最好,采用PSO、GWO、LILGWO对LSSVM进行寻优后训练时间分别平均缩短了39,44,58 s。结论仿真验证了所提方法在短期风电功率预测方面的有效性。

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中,构建BP-AHP风机状态评估模型,实现单台风机状态评估;然后,综合考虑地形及机组排布等因素,将风电场所有风机的状态取均值作为风电场状态,利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性,并采用XGBoost构建计及风机状态的动态预测模型;最后,以陕西地区某风电场实测数据进行算例分析,验证了所提方法的可行性及有效性。

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。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于CBAM-LSTM的风电集群功率短期预测方法

风电功率的精准预测对我国实现“碳达峰”、“碳中和”的目标具有重要意义。传统的风电功率预测方法往往忽视了时间序列数据中的长期依赖关系和空间相关性,导致预测结果不准确。为了解决这个问题,文中提出了了卷积块注意力机制(Convolutional Block Attention Module, CBAM)和长短时记忆网络(Long Short-Term Memory, LSTM)相结合的模型。首先,使用CBAM对风电功率时间序列数据特征和数值天气预报中蕴含的空间特性进行提取,该模块能够自适应地学习时间和空间上的重要特征;然后,将提取的特征输入到LSTM层结构中进行功率预测。为了验证所提方法的有效性,使用中国吉林省某风电场的数据集进行验证,实验结果表明,与其他功率预测方法相比,文中所提方法平均绝对误差(Mean Absolute Error, MAE)平均降低2.67%;决定系数(R-Square, R2)平均提高23%;均方根误差(Root Mean Square Error, RMSE)平均降低2.69%。

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.

基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测

高寒地区光伏系统因气象条件影响,其光伏功率表现出更显著的波动性。本文以黑龙江某光伏电站为例,提出基于数值天气预报(NWP)因子扩充和改进常规Stacking集成学习的高寒地区短期光伏功率预测方法。针对高寒地区光伏功率波动大的特点,引入NWP差分因子作为交叉特征,提升模型对天气变化的敏感性。随后,以极致梯度提升(XGBoost)和长短期记忆(LSTM)网络为基学习器,时间卷积网络(TCN)为元学习器,构建集成学习模型,并利用前向验证优化模型结构。最后,进行对比实验分析,结果表明本文所提方法具有更高的预测准确度和稳定性。

基于数据优化和CQR-CNN-BiGRU模型的光伏功率超短期区间预测

现有光伏功率区间预测算法通常侧重于提高覆盖率和缩小预测区间,未能充分考虑实际调度中的经济成本和风险成本,从而限制了这些算法在调度决策方面的实际应用。引入了“最优置信度”概念,提出了一种创新的光伏功率区间预测方法,将数据优化与CQR算法以及CNN-BiGRU神经网络模型相结合。首先对经预处理后的光伏功率序列进行优化,采用分解-重构的思想,将光伏功率序列分解为趋势分量、周期分量和随机分量;然后结合多个气象因素,分别输入经改进麻雀搜索算法优化的CQRCNN-BiGRU神经网络中,建立各自的区间预测模型,叠加三个分量的区间预测结果,实现光伏功率的区间预测。仿真结果表明,所提方法的预测区间能够更接近预设的最优置信度,同时能够快速、有效地获得更高质量的预测区间。

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

为了提高光伏发电功率短期预测结果的准确性,提出了一种基于改进灰狼(improved grey wolf optimization,IGWO)算法优化长短时记忆(long short term memory,LSTM)神经网络的光伏发电功率短期预测方法。利用余弦相似度寻找相似日,确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进,得到收敛性能更好的IGWO算法,采用IGWO算法对LSTM的超参数进行优化,建立了基于IGWO-LSTM的光伏发电功率短期预测模型。使用某小型光伏电站的运行数据进行仿真分析,结果表明,IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW,平均相对误差依次为3.43%、4.81%和6.33%,预测效果优于其他方法,验证了所提方法的实用性和有效性。

A physical approach of the short-term wind power prediction based on CFD pre-calculated flow fields

A physical approach of the wind power prediction based on the CFD pre-calculated flow fields is proposed in this paper. The flow fields are obtained based on a steady CFD model with the discrete inflow wind conditions as the boundary conditions, and a database is established containing the important parameters including the inflow wind conditions, the flow fields and the corresponding wind power for each wind turbine. The power is predicted via the database by taking the Numerical Weather Prediction （NWP） wind as the input data. In order to evaluate the approach, the short-term wind power prediction for an actual wind farm is conducted as an example during the period of the year 2010. Compared with the measured power, the predicted results enjoy a high accuracy with the annual Root Mean Square Error （RMSE） of 15.2% and the annual MAE of 10.80%. A good performance is shown in predicting the wind power＇s changing trend. This approach is independent of the historical data and can be widely used for all kinds of wind farms including the newly-built wind farms. At the same time, it does not take much computation time while it captures the local air flows more precisely by the CFD model. So it is especially practical for engineering projects.

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。