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。     

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.     

基于改进支持向量机的轨道交通光伏发电预测

轨道交通系统作为用电大户,将光伏发电系统接入轨道交通牵引供电系统不但可以降低交通系统的运营成本,而且可以很好地实现节能环保.但因光伏发电具有随机性、不确定性,将光伏发电直接接入轨道交通牵引供电系统,将会对轨道交通牵引供电系统带来一定的冲击,精确的光伏发电预测是减少光电并网冲击的有效解决方法.首先,采用自适应粒子群算法提...     

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。     

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GA-BP的分布式光伏发电预测

基于分布式光伏发电在家庭能源管理系统(HEMS)中具有广泛的应用,光伏输出功率的准确预测影响家用设备优化调度、并网时电网的稳定性及光伏发电利用率。对光伏输出功率主要影响因素进行研究,通过选取光伏发电预测日相似日天气类型(晴天、多云、阴雨天),在传统BP预测模型基础上引入GA优化算法,建立GA-BP光伏发电预测模型。分别选取预测日相似日天气类型为晴天、阴雨天进行实验仿真,结果表明所建预测模型能够提高光伏发电预测精度,在HEMS系统中具有一定的实用价值。     

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。     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

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Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

基于长短时记忆-反向传播级联模型的湿法脱硫系统性能预测

为利用深度强化学习实现石灰石/石膏湿法烟气脱硫(wet flue gas desulfurization, WFGD)过程中脱硫成本的运行优化,需要建立WFGD系统与强化学习的环境模型。考虑到传统WFGD系统机理建模较为复杂以及脱硫数据具有时序性特征,构建长短时记忆(long short-term memory, LSTM)网络和反向传播(back propagation, BP)神经网络结合的LSTM-BP级联模型算法,采用数据预处理技术确定模型的输入量,并以给浆密度和给浆流量作为预测量验证模型的可靠性。以国内某2×600 MW电厂WFGD系统为例,验证模型在实际工况下的应用表现。基于Python语言和TensorFlow框架下的仿真结果表明,级联模型中LSTM具有2层隐含层时相比其他传统模型具有更高的预测精确度,均方根误差(root mean squared error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为3.47 kg/m~3、0.28%和0.97 m~3/h、6.4%,为进一步实现脱硫成本运行优化建立了良好的前提。     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

基于时空信息的区域内光伏电站功率预测

准确的光伏电站输出功率预测对于电力系统的稳定安全运行具有重要的意义。为充分挖掘区域内多个电站间的时空信息特征,提高区域内电站功率的预测精度,提出了一种基于图卷积和长短期记忆网络(graph convolutional network-long short-term memory,GCN-LSTM)的光伏电站功率预测方法。该方法首先采用K均值聚类算法(K-means clustering algorithm, Kmeans)将区域内电站的总功率划分3种不同的天气类型;然后,为预测区域内总功率,构建了一个假想电站,并利用图卷积网络(graph convolutional network,GCN)提取电站间的动态空间相关信息特征;最后,将GCN挖掘的信息构成时间序列作为长短期记忆网络(long short-term memory network,LSTM)的输入,提取电站的时间信息特征,从而对区域内的光伏功率进行预测。结果表明,该方法可充分挖掘电站间的时空相关信息,可较为准确地对光伏电站输出功率进行预测,能够为保障电力系统的稳定安全运行提供一定参考价值。     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

基于语义特征提取与层次结构的问题生成方法

针对传统端到端模型在输入文本语义较复杂情况下生成的问题普遍存在语义不完整的情形,提出一种基于语义特征提取的文本编码器架构.首先构建双向长短时记忆网络获得基础的上下文信息,然后采用自注意力机制及双向卷积神经网络模型分别提取语义的全局特征和局部特征,最后设计一种层次结构,融合特征及输入自身信息得到最终的文本表示进行问题生成.在数据集SQuAD上的实验结果表明,基于语义特征提取与层次结构进行问题生成效果显著,结果明显优于已有方法,并且语义特征提取和层次结构在任务的各评价指标上均有提升.