基于双深度神经网络的光功率预测方法

光伏发电是新兴的清洁能源发电方式之一,其光功率受辐照度等环境因素影响较大,导致注入电网的电量不稳定。采集的环境数据能准确预测发电量变化趋势,对电网平稳运行具有重要意义。现有光功率预测方法大多采用单个模型构建预测结构,当面对不同环境数据时预测结果不够稳定。文中提出一种基于双深度神经网络的光功率预测方法,该方法以BPNN(back propagation neural networks)和LSTM(long short term memory)为基础判别器,并通过遗传算法将二者融合为更加精确和鲁棒的光功率预测模型。在东北电网实际数据集上的实验结果表明,相比现有单一神经网络模型,文中提出的方法具有更高的判别精度,且预测结果更加稳定。     

基于集合经验模态分解与能量熵的水库群蓄水时期梯级水电调度模型

提出基于集合经验模态分解与能量熵的水库群蓄水时期梯级水电调度模型，以满足梯级水库群的蓄水、发电目标.对蓄水时期水库群的径流监测信号时间序列作集合经验模态分解，获得含有各尺度局部细节特征的IMF及剩余分量，基于能量熵理论完成各分量的重构，将重构结果作为最小二乘支持向量机的输入，利用粒子群算法优化预测模型参数，实现梯级水库群径流精准预测.依据径流预测结果，构建以发电量最高、蓄满率最大、弃水量最低作为优化目标，并满足蓄水量、泄水量、出力、水量平衡、关联方程约束的水电调度模型，实现水库群蓄水时期梯级水电调度优化.实验结果表明：该模型可实现径流监测信号时间序列的分解与重构，径流预测误差在[0.09,5.2]区间；优化调度后，梯级水库群的发电量提升了3.66%，弃水量降低了27.91%，蓄满率增大了1.85%.