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...     

基于自适应模糊时间序列法的光伏发电短期功率预测

针对并网光伏发电系统功率预测问题,提出一种基于自适应模糊时间序列法的并网光伏发电短期功率预测模型.根据光伏发电系统的历史发电数据,进行自适应算法处理,使数据结构与预测模型相适应,确定聚类数目、划分论域并定义论域区间.通过对历史数据进行模糊化处理,确定各模糊关系组,再计算各类模糊关系组的权重向量.按照模糊时间序列的方法进行光伏发电功率预测,并去模糊化得到实际预测结果.结果表明,对比时间序列预测法ARIMA模型,本文预测模型结果误差由13.66%减小到11.34%,并且在处理突变数据上有较大改进.     

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...     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题,提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数,并对原始气象数据进行特征选择。将特征选择后的结果作为输入,对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测,结果表明：该方法能充分利用预测时刻之前的气象时间序列,有效提高光伏功率预测精度,与RF-LSTM方法、单一LSTM方法相比具有更高的准确性,预测误差更小。     

基于EMD-AO-DELM的光伏功率预测算法

为提高光伏功率预测精确度,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）-天鹰优化器（Aquila Optimizer,AO）-深度极限学习机（Deep Extreme Learning Machine,DELM）的组合光伏功率预测模型.该算法对光伏发电影响因素进行分析筛选,选出与光伏输出功率高度相关的因素作为输入变量,并采用经验模态分解（EMD）将光伏原始功率数据分解为多个特征模态函数（Intrinsic Mode Function,IMF）.然后,将分解得到的IMF分量分别输入DELM预测模型,同时通过AO优化算法对DELM初始输入权重进行优化,从而提高深度极限学习机的泛化能力.最后,将各IMF分量预测结果叠加求和得到最终预测结果 .通过仿真结果表明,本文提出的EMD-AO-DELM预测模型,相较于单一DELM模型具有更好的预测精度,证明了所提方法的有效性.     

基于MPA-LSTM模型和Bootstrap方法的短期光伏功率区间预测

光伏发电功率的波动性和间歇性为电力系统调度管理带来巨大的挑战,精确的光伏功率区间预测是解决上述问题的一种有效途径。为此,本文提出了一种基于LSTM网络的新型短期光伏功率区间预测模型。采用MPA对LSTM网络的隐含层神经元数和训练批次数等超参数进行自动寻优,以克服随机选取LSTM模型参数过程中存在的盲目性、费时等问题;并将MPA-LSTM模型用于光伏功率点预测。然后,采用Bootstrap方法分析模型预测结果的误差分布,确定模型预测输出的区间范围。最后,通过对比仿真验证所提模型的有效性。结果表明：本文所提的MPA-LSTM模型均方误差的平均值为1.09%,优于SVM、LSTM、PSO-LSTM和MPA-SVM模型;Bootstrap方法能够准确地描述给定置信度水平下的光伏功率波动范围。     

基于高斯混合模型的光伏发电功率概率区间预测

随着世界经济的绿色发展,大力发展可再生能源逐渐成为共识。可再生能源中太阳能的开发利用已成为当前能源转型中的重要领域,并在很多科技发达国家得到了较广泛的应用。高精度的光伏发电功率预测对电力系统的优化调度、安全运行十分重要。由于光照强度和能见度等会影响太阳能发电量的随机性,提出一种基于高斯混合模型的光伏发电功率概率区间预测方法,通过利用K-means算法将光伏发电历史数据按天气进行划分,以划分后的预测误差为统计样本,采用高斯混合模型进行拟合并使用期望最大化算法估计模型参数,通过计算指定置信水平下的置信区间进行光伏发电功率概率区间预测。仿真结果表明所提方法在进行光伏发电功率区间预测时的性能评价指标均优于典型单一分布模型,证明了所提方法的准确性和适用性。     

考虑光伏机理与数据驱动结合的短期功率预测

精确的光伏功率预测对电网的可靠与稳定运行至关重要。现有研究大多数都是将天气条件直接作为数据驱动的输入,未深入分析天气条件与光伏输出功率直接耦合关系,因此本文将机理模型与数据驱动方法相结合,提出一种新型的光伏功率预测方法。首先,建立光伏系统物理模型,依据建立的物理模型得到不同的辐照度分量以及光伏电池温度。其次,将这些关键的天气特征重新构建数据驱动的输入,实现光伏机理与数据驱动结合的短期功率预测。最后,进行误差修正然后得到最终的光伏功率预测结果。根据光伏系统实测数据集进行仿真分析,结果表明因为从物理模型得到了关键天气特征,考虑了天气条件与天气因素的耦合关系,预测精度有了明显提升,验证了所提方法的有效性。     

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.     

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.     

基于多变量时间序列模型的高含水期产量预测方法

针对油田高含水期地质条件复杂、地层物性变化多样导致产量预测正确率低的问题,提出一种基于多变量时间序列模型即多变量长短期记忆神经网络(LSTM)的产量预测方法。在基于极限梯度提升算法(XGBoost)筛选产量主控因素的基础上,建立综合考虑产量与地质、开发等影响因素之间相关性特征,并兼顾产量自身的时序性变化特征的产量预测模型;实验选取中国某中高渗透砂岩区块油田生产历史数据进行高含水期产量预测模型的训练和测试,并与单变量长短时记忆模型以及其他全连接网络模型结果进行比较。结果表明：该方法具有较好的预测性能,新模型克服了传统全连接神经网络无法描述产量时序数据相关性,以及单变量LSTM无法表征高含水期产量变化受多因素影响的问题,有效地提高了油田高含水期产量预测的准确性。     

光伏发电非线性步长最大功率跟踪算法

针对光伏发电最大功率跟踪速度慢、损耗大的问题,提出一种非线性步长最大功率跟踪算法.将matlab仿真结果与实验测得数据进行对比表明:在光照强度、温度等外界环境改变的情况下,系统能快速稳定的跟踪到最大功率点,减少了波动造成的损耗,有效提高了光伏发电系统的效率.     

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。     

光伏发电最大功率跟踪方法的研究

在分析太阳能电池等效电路模型的基础上,建立了太阳能电池阵列的数学模型,仿真验证了光伏发电系统存在最大功率点.针对传统MPPT控制算法的缺点,提出了固定参数法与扰动观察法相结合、固定参数法和电导增量法相结合、高斯法与扰动观察法相结合的复合MPPT控制算法,较深入地探讨了这些算法的优点及详细实现方案.通过光伏发电MPPT仿真实验,验证了高斯法在最大功率跟踪应用中的有效性.     

浅析光伏发电最大功率跟踪算法改进

本文通过对光伏发电模块原理进行分析,依据数学公式搭建系统仿真模型。在此基础上,进行已有＂扰动观察＂最大功率跟踪方法仿真,指出既有方案的不足,并提出改进,为光伏系统仿真工作提供参考。     

基于主成分分析线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.     

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.     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于CEEMD-LSTM光伏短期功率预测

为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,本文提出一种基于完全经验模态分解(Complete Ensemble Empirical Mode Decomposition , CEEMD)和长短期记忆神经网络(Long Short-Term Memory , LSTM)相结合的光伏短期功率预测模型。首先充分考虑影响光伏出力的太阳辐照度,相对湿度,大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。本文在海南一孤立海岛分布式光伏电站37kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。     

基于极限学习机模型参数优化的光伏功率区间预测技术

提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明：所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.