基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

利用2DGRA-BiLSTM模型的日前光伏功率曲线预测方法

为了克服光伏发电固有的间断性和波动性对电网稳定性的负面影响,提出一种二维灰度关联分析-双向长短期记忆神经网络(two-dimensional grey relational analysis and bidirectional long short-term memory network, 2DGRA-BiLSTM)模型,用于实现日前光伏功率曲线预测,以更好指导电网调度.不同于以往的点预测,本研究将日功率曲线作为整体进行预测.首先用2DGRA实现最佳历史相似日数据的获取;其次,根据日功率曲线的波动性将总数据分为3类;最后,根据3种分类,分别训练3种BiLSTM模型对日功率曲线进行预测.所提出的预测模型通过沙漠知识澳大利亚太阳能中心历史气象和功率数据进行训练,并通过数值天气预报和功率数据进行测试.对比其他几种神经网络模型,实验表明所提出模型具有更好的综合预测性能,在晴空、轻度非晴空和重度非晴空条件下,决定系数(R²)分别为0.994、0.940和0.782.     

基于深度学习的波浪能发电功率预测

针对波浪能发电中波高和频率的强随机性所导致的发电功率输出不稳定性问题,提出利用波浪能发电功率的预测数据,辅助储能系统(物理储能和化学储能)准确动作以平抑其波动性。预测数据是基于长短期记忆网络(long-short term memory,LSTM)和BP神经网络相结合的波浪能发电功率预测方法预测得到的。利用南海某岛两年天气数据和245 d的波浪能发电功率数据进行实验,训练并测试3个预测时间跨度LSTM-BP模型。对某波浪能发电船的功率在不同时间跨度的情况进行预测,实验结果表明,利用LSTM-BP模型可以较好地实现波浪能发电输出功率预测。     

基于PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization,PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine,ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

并网光伏发电系统发电量预测方法的探讨

为了较为准确的对并网光伏发电系统的发电量做出预测,提高光伏并网后电网的稳定性及安全性。文章对硅太阳电池组件发电功率进行了理论计算,建立了多元线性回归光伏发电功率及发电量预测模型。通过改进水电、火电和风电现有的发电量预测模型(基于BP神经网络和G(1,1)灰色理论模型),使得改进后模型更适合于并网光伏发电系统发电量的预测。最后,对三种预测模型的优缺点进行了比较,为今后并网光伏发电的预测提供了一种较为准确可行的方法。     

基于时频熵和神经网络的光伏发电功率预测模型

针对光伏电站并网后发电功率波动较大影响电网合理调度及平稳运行的问题,提出一种基于EEMDHilbert变换及时频熵的神经网络光伏发电功率预测方法。将电站光伏发电功率历史值按晴天、雨天及多云天分类并分别用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法分解成若干频率由高到低的内禀模态分量,经游程检测法重构成高频和中频分量,再由Hilbert变换得到高频和中频分量各数据点的频率与幅值,构造信号的能量谱图,提取含有时频信息的特征参数时频熵,将其与EEMD分解后得到的中频或高频分量以及温度、光照强度、风速、相对湿度等气象参数作为BP(back propagation)神经网络的输入,构建预测模型对不同天气条件下短期和超短期光伏发电功率进行预测。研究结果表明:此方法预测精度较高,发电功率预测误差基本上小于仅用气象数据直接预测的误差;晴天、雨天和多云天的短期光伏发电功率预测准确率分别为0.995,0.944和0.931,超短期预测准确率分别为0.996,0.984和0.991。     

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。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

计及机理机制的Stacking集成光伏发电预测

准确地光伏预测对电力调度、容量分析和机组组合至关重要。现有的数据驱动预测算法在计算速度和预测精度上有一定的提升,但未能考虑光伏发电的内在机理,存在泛化的风险。针对上述问题,提出了一种基于Stacking框架的机理模型和数据驱动结合的预测模型。其中,光伏发电机理模型将嵌入Stacking框架一层预测结构,构成基于长短期记忆神经网络(long short-term memory, LSTM)、极度梯度提升树(extreme gradient boosting, XGBoost)和机理模型的并行预测学习器。机理模型将光伏发电限制在一个合理的范围内,作为数据驱动模型的预测约束。所提出的模型能够从机理模型中提取有用的固有信息,并利用数据分析的能力提取历史数据中的非线性关系。基于安徽省某地区实际数据分析,所提模型相比传统数据驱动方法具有更高的精度。     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

潮汐发电中调和分析与人工神经网络预测潮位

潮汐电站发电量与每日潮差的大小有关,通过对潮水位的预测,可以预估潮汐电站的发电量以及编制适合的发电计划。对现有的经典调和分析法和新兴起的人工神经网络潮位预测方法进行了比较分析,总结了两种方法的发展现状和存在的问题。分析表明,人工神经网络方法预测精度更高,和实测数据对比其具有更小的误差;调和分析误差稍大,但是满足国家海洋局规定的允许误差。调和分析法和人工神经网络法的预测结果均可应用于潮汐发电当中。     

基于改进Bi-LSTM和XGBoost的电力负荷组合预测方法

电力负荷预测在平衡能源分配、经济性和电力系统安全可靠运行方面发挥着重要作用,精准的负荷预测可以降低电力运行的成本和风险,提高电网环境效益和经济效益.首先根据加权灰色关联投影算法对数据进行预处理,然后应用注意力(Attention)机制来改进双向长短期记忆(Bi-LSTM)模型,并结合极端梯度提升(XGBoost)模型构...     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

航空电子设备故障预测框架与方法

针对环境应力对电子产品造成的累积损伤,提出了覆盖电子设备全寿命周期的故障预测框架与方法。首先提出了可预测性的概念,在设备设计阶段采用辅助软件eXpress进行可预测性设计,跟踪实际环境中设备的工作数据,采用3种改进神经网络进行特征参数的趋势预测。基于信息熵理论,采用多指标评价准则融合单项预测方法,实现了对某型电子设备的故障组合预测。预测框架在某型电子设备上的实践验证了框架的可行性,预测结果表明了组合预测方法较单项预测方法具有更强的鲁棒性和稳定性。     

含大规模分布式光伏接入电网的无功电压控制降损方法研究

大规模分布式光伏(distributed photovoltaic,DP)接入电网后,电网电压易出现大幅度波动,导致电网损失问题越来越突出。当前已有的电网降损方法没有考虑光伏发电自身的无功调节能力,应用效果不理想。为此,设计一种含大规模DP接入电网的无功电压控制降损方法。通过建立目标函数,设定约束条件,采用敏感性分析方法分析电压稳定性,将敏感度较高的值作为无功补偿位置,并对当前负荷进行预测,确定最佳的补偿容量,实现电网降损。试验结果表明,所提方法降损后较降损前基准电压更趋于1 pu,更为稳定,所提方法能够针对光伏控制接入分布特性,有效控制无功功率变化情况,相对于其他方法,无功功率波动较小,表现出较好的降损效果。     

基于时空图卷积网络的输电线路覆冰预测

针对已有的输电线路覆冰预测模型鲜有考虑覆冰过程中的空间特征信息,从而导致预测精度欠佳的问题,本文从时空序列预测的角度建立输电线路覆冰方面的预测体系,采用图卷积网络(Graph Convolutional Network, GCN)构建输电线路覆冰预测模型,基于图神经网络设计对输电线路覆冰拉力的图数据进行深度特征学习与图特征向量表示,以更好地提取电网塔杆覆冰拉力值的时空分布特征,从而准确预测未来的拉力值。基于南方电网的真实实验数据,设计一套可靠的数据预处理流程,将电网覆冰拉力数据转化为可以深度学习的时空序列大数据进行训练和验证。实验结果表明,本文提出的模型较已有的主流覆冰预测模型具有更加优异和稳定的预测结果,能够为输电线路及时除冰工作提供决策参考。