晴天光伏发电功率的日内变化规律及预测方法研究

针对晴天天气类型,研究了光伏发电功率的日内和年内尺度的变化规律,根据晴天出力变化速率曲线的特性,提出晴天光伏发电功率预测模型,在晴天光伏发电功率预测模型的基础上,根据光功率实时监测信息,加入分阶段实时修正系统,实现了日前预测与超短期预测相融合,提高了预测精度.黄河上游共和光伏电站实例应用结果表明:所提出的晴天光伏发电功率预测模型的总体平均预测误差在2%以下,用于光伏发电功率预测的其他方法如线性回归、神经网络、支持向量机等在相同条件下的预测误差区间为8%～20%,故所提出的方法预测精度有大幅度提高.该模型的输入值都是基于光伏电站自身的出力特性提取的,不需要辐射量、云层、气压、降水量等难以获取的信息,是一种简单并实用的创新预测方法.     

基于日类型及融合理论的BP网络光伏功率预测

针对光伏发电受到外界环境的制约、发电功率波动较大、很难保证高比率接入等对电网的安全运行和调度造成一定影响的问题,提出一种基于日类型及融合理论的BP网络预测方法,将不同的天气大体分为3种日类型即晴天、多云天、雨天,并进行分类预测,充分考虑制约光伏发电的5个最主要因素即光照强度、环境温度、组件温度、风速和相对湿度,找出其与发电功率之间的相关系数,通过信息融合理念将其融合成1个综合影响因子λ。以BP神经网络模型为构架进行功率预测,通过动态变换隐含层层数提高预测精度,并利用改进的粒子群算法对其参数进行优化,同时通过光伏历史功率输出波动特性对预测误差进行修正,最后在某县光伏电站进行实际验证。研究结果表明:该网络预测方法可行有效,且精度较高。     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于VMD-IPSO-RFR模型的光伏发电功率预测

针对预测数据噪声过大或超参数调整不当,导致随机森林回归(RFR)模型预测光伏发电功率精度不高的问题,提出一种基于变分模态分解(VMD)结合改进的粒子群(IPSO)优化随机森林回归(RFR)的光伏预测模型。该方法先用灰色关联度系数法(GRA)选取相似日,再使用VMD把相似日功率数据分解为一系列相对平稳的子模态,突出光伏发电功率的局部特征信息,降低数据的不稳定性,然后利用IPSO对RFR中超参数进行寻优,将优化后的IPSO-RFR模型对各个分量进行预测,最后将预测结果进行叠加重构。实例证明,该模型在晴天和阴雨天的预测平均绝对百分比误差分别为10.64%和5.42%,预测精度相对较高。     

基于经验模态分解改进神经网络光伏出力预测

光伏发电存在光伏出力不稳定性与波动性等问题。本文提出一种基于经验模态分解(EMD)的遗传算法(GA)优化BP神经网络的短期发电功率预测模型,优化了BP神经网络迭代次数多、收敛时间长等缺陷。从某小型光伏电站获得发电数据,建立EMD-GA-BP预测模型,与单一的BP神经网络预测模型和GA-BP神经网络预测模型作对比,证实本文提出预测模型稳定性好且误差较小,具有一定的研究价值。     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测；高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

基于最小二乘支持向量机的航路流量预测与评估

综合运用集合经验模态分解(EEMD)和最小二乘支持向量机(LS-SVM)建立了空中交通过点流量预测模型.EEMD的分解结果显示,高频本征模态函数(IMF)分量占有较大的方差贡献,而低频分量相对较小;对各IMF分量的预测结果表明,起始阶段的高频IMF分量具有较好的可预测性,距平相关系数(fACC)值相对较高,高频分量的预测效果随预测时段加长而逐渐下降,均方根误差逐渐加大,低频分量的ACC值在起始阶段相对较低,随预测时段加长而逐渐加大,整个预测时段可预测性较强;最终的合成预测流量曲线表明,基于上述的思想,算法在20h时段的流量预测效果较好,拥有较高的ACC值和相对较低的均方根误差,30h时段的同号率均较为理想.     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测,综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响,提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先,提出了一种综合相关性分析模型,结合多种特征选择方法对多维气象特征实现综合评价,准确筛选与风电功率相关性较高的气象特征,提高预测精度。其次,针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多,模态混叠程度加剧的问题,提出了SECEEMD分解算法,在降低分量数量,降低模态混叠程度的同时,提高模型的训练速度。然后,分别建立NWP-LSTM和SECEEMD-BP预测模型,并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构;最后,通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据,经验证,本文所提预测模型,能较大程度提高预测精度,相较于一般预测模型,R2-Score分别提高了4%和0.6%,MAE分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度,更加适合进行风电功率预测。     

基于天气类型及改进的小波神经网络的光伏发电短期预测

本文提出了一种基于天气类型和季节类型,以布谷鸟算法优化小波神经网络的光伏发电短期预测方法.首先,分析气象因子的特征,并利用皮尔逊相关系数计算气象因子与光伏发电之间的相关性,作为预测神经网络的输入向量;其次,为了避免小波网络的结构不稳定以及由于局部极小值容易陷入预测结果误差太大的问题,提出了利用布谷鸟算法优化小波神经网络...     

基于EEMD分解的电场时序差分在雷电预警中的可行性分析

为了解决大气电场数据预报雷暴虚警率高的问题,将集成经验模态分解(EEMD)方法和二阶差分法结合应用于大气电场资料的分析,提出了一种雷电预警分析方法。该方法先用EEMD分解出晴天天气和雷暴天气大气电场的不同时间尺度变化分量,然后对包含雷电信号的高频模态分量IMF1(本征模态函数)进行二阶差分分析。晴天无雷暴发生时,地面大气电场的差分值集中在-0.5~0.5 k V/m3之间;雷暴过程中,差分大气电场出现剧烈变化,雷暴发生前,IMF1二阶差分量的增幅会明显变大,所对应的电场频率在0.016 5~0.045 5 Hz之间跳跃。经过仿真试验,结合雷达回波资料进行验证,得到雷电探测概率(probability of detection,POD)为85.1%,预警平均时间为30.2 min。     

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明：与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对...     

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用EEMD方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的EC值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60 min,30 min,15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,本文提出的模型是可行的和有效的,更适用于短期流量预测。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

基于EEMD和极限学习机的短期电力负荷预测模型

以集成经验模式分解(EEMD)与极限学习机(ELM)为理论基础,提出了将其有机结合进行短期电力负荷预测的方法。首先运用EEMD对短期负荷时间序列进行自适应分解,在此基础上针对分解后不同分量的变化特点,建立相对应的ELM模型进行预测,进而将各分量的预测结果重构以得到最终预测结果。通过实例分析表明该模型的预测精度要优于单极限学习机模型、单支持向量机模型和神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。     

基于CEEMDAN的爆破地震波信号时频分析

爆破监测信号多为含噪信号,噪声会使经验模态分解(EMD)的结果产生严重的模态混淆,使用改进算法EEMD对模态混淆有一定的抑制作用但效果并不明显。为此本研究将使用自适应补充集合经验模态分解(CEEMDAN)来处理含噪信号。比较EMD、EEMD、CEEMDAN对仿真信号的分解结果,计算EMD、EEMD、CEEMDAN得到的IMF的排列熵值,对EMD、EEMD、CEEMDAN的分解结果进行Hilbert变换,并比较三者时频谱的分辨率。最后将CEEMDAN用于水下钻孔爆破地震波时频分析中,结果表明:CEEMDAN不仅对模态混淆具有一定的抑制作用,且其分解结果经过Hilbert变换得到的时频谱在时域和频域上都具有较高的分辨率。     

基于DWT-CNN-LSTM的超短期光伏发电功率预测

太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定.准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性.提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional...     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。