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。     

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。     

利用相似日小波变换和多层感知机的短期光伏功率预测

为了提高光伏功率预测的准确性和可靠性,基于相似日小波变换和多层感知机建立智能光伏功率预测模型;将小波变换的多分辨率特点和多层感知机的非线性拟合能力结合起来,以有效地提高预报的可靠性.首先,选取相似日数据并归一化,并用小波变换对数据进行预处理;其次,训练多层感知机模型学习气象因素与光伏功率之间的映射关系;最后,基于沙漠知...     

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。     

结合改进的DCGAN和Attention-LSTM的光伏功率预测

针对新建光伏发电站在光伏功率预测过程中由于缺少训练数据导致预测精度较低以及光伏发电功率的不稳定等问题,本文提出一种结合改进的深度卷积生成对抗网络（DCGAN)、 注意力机制（Attention）和LSTM网络组合的光伏功率预测方法。首先,将DCGAN中生成器的特征提取网络由二维卷积改为一维卷积,更好的学习一维时序数据,并用改进的DCGAN对光伏数据进行扩充,其次,采用Attention模块和LSTM模型相结合,先通过Attention模块提高重要特征的权重占比,生成新的输入特征,再通过LSTM模型进行功率预测。采用澳大利亚沙漠知识太阳能中心(DKASC)Alice Springs电站的数据进行验证,实验结果表明,结合深层卷积生成对抗网络与Attention-LSTM的混合预测方法能有效提升预测的精度。     

基于气象相似度与马尔科夫链的光伏发电预测方法

针对目前光伏发电预测中实用性较低、预测精度不高、气象条件利用不充分和预测跟踪性能较差等现象,设计出基于气象相似度与五状态马尔科夫链的光伏发电预测方法。该方法利用神经网络建立气象相似度—发电量相似度的过渡模型,用该模型预测可获得预测日发电量的预测结果,最后分别用三状态和五状态的马尔科夫链修正预测结果。实验结果表明:相比不充分利用气象条件的神经网络预测方法,基于气象相似度与五状态马尔科夫链的光伏发电预测方法具有较高的预测精度、实用性和良好的预测跟踪性能。     

基于分解的深度学习模型在粮堆温度预测中的应用

在粮食储存过程中,存储温度过高或过低都会造成粮食的损失,准确检测粮堆温度对粮食有效存储至关重要.提出了一种基于分解和深度学习方法的SSA-BiGRU-MLP组合模型来预测粮堆中层温度.首先针对粮堆的外温、外湿、仓温、仓湿和中层温度等多因素变量,使用奇异谱分析（SSA）方法对粮堆的中层温度进行分解,得到本征模态函数（IMF）;然后运用多层感知机（MLP）优化的双向门控循环神经网络（BiGRU）对粮堆温度进行预测.实验结果表明：所提出的SSA-BiGRU-MLP模型与SSA-BiLSTM-MLP,SSA-LSTM-MLP,SSA-GRU-MLP相比,不论是在绝对平均误差、均方误差,还是均方根误差上所提出的SSA-BiGRU-MLP方法都优于其它组合模型,具有更好的预测精度.     

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。