基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。     

支持向量机向量维数对短期风电功率预测精度的影响

为了提高短期风电功率的预测精度,采用支持向量机回归方法,以10 min采样间隔的实测风速和温度序列为输入数据,针对连续19天的历史数据按每隔5 h进行一次预测,每次采用一天144组风速、温度数据进行训练。实验分别选取了10 min、30 min和1 h的预测时间尺度,得到不同向量维数下预测结果的均方误差、均方百分比误差、平均绝对误差、平均绝对百分比误差以及相关系数。结果表明,对于特定的预测对象,支持向量机向量维数具有一个使预测精度最高、误差最小的最优值;对于不同的预测时间尺度,向量维数的最优值一般不同。     

基于时空信息组合的分布式光伏功率预测方法研究

为保障电网安全稳定运行,提高光伏电站经济效益,需要进一步提升光伏功率预测的准确性。为此提出一种基于时空信息组合的分布式光伏功率预测方法。首先,基于极度梯度提升-长短时记忆神经网络（XGBoost-LSTM）集成模型,利用光伏历史数据时间序列进行预测;然后,基于最小二乘支持向量机（LSSVM）模型,利用光伏电站间的空间相关性进行预测;最后,基于信息熵的基本原理,结合多误差评价角度改进的信息熵确定2种单一预测方法的权值,构建时空信息组合预测模型。研究结果表明：基于多误差评价标准的信息熵权的XGBoost-LSTM+LSSVM模型的平均绝对误差与基于交叉熵的组合模型和基于信息熵的组合模型相比,分别下降1.6%、8.3%;结合单一预测模型的优势,组合模型可降低预测误差,基于多误差评价标准的信息熵组合模型具有更高的鲁棒性与综合性能,可提升分布式光伏功率预测的准确性。     

基于粗糙集的光伏输出功率组合预测模型

光伏输出功率预报是减小光伏发电系统并网对电网造成不良影响的有效手段,提高预测的精度是保障光伏功率预报的重要基础。提出了基于粗糙集的组合预测模型。首先建立基于相似日、支持向量机和持续法的3种单一预测模型,然后根据粗糙集理论中确定属性重要度的方法确定单一预测模型的组合权重,建立了基于粗糙集的组合预测模型。仿真结果表明,采用粗糙集的相关理论能得到合理的组合权重,建立的光伏功率组合预测模型具有更高的预测精度。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于博弈论赋权的光伏功率组合预测模型

针对单一预测方法的局限性,本文采用物理方法和统计方法相结合的预测方法,建立光伏发电功率组合预测模型,并在预测模型中考虑电站的限电及检修计划。采用理论功率法、基于改进相似日的BP神经网络法、基于改进相似日的支持向量机对预测日的光伏功率分别进行预测,通过提出的博弈论组合赋权法来计算各模型的权重。通过某光伏电站的实际数据验证,计算分析了预测误差,结果表明,通过组合赋权法得到的权重克服了单一权重的片面性,使得综合评价更合理、科学,在限电情况下仍具有较高的预测精度,对光伏发电系统的功率预测具有一定的学术价值和工程实用价值。     

风电功率及其预测误差概率分布研究

进行风电功率及其预测误差概率分布研究对分析风电功率分布特性有重要意义.以风电功率、日功率波动量均值为指标,统计分析风电在不同时间尺度下的波动概率分布;针对正态分布模型对风电功率及其预测误差分布拟合效果较差问题,利用非参数估计法拟合风电功率及其短期预测误差概率分布,并以残差平方和、相关系数为评价指标,对比不同预测模型和采样间隔对应的拟合效果;基于实测数据的分析结果表明,非参数估计法可以有效拟合风电功率及其短期预测误差概率分布,且具有较好的实用性.     

基于强化学习和组合式深度学习模型的超短期光伏功率预测

超短期光伏功率预测对光伏并网系统的安全运行有着重要意义.针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型.首先,采用小波包分解对原始光伏功率序列进行分解,初步降低了原始光伏功率的非稳定性.其次,在此基础上分别采用长短时记忆网络、门控循环单元与循环神经网络3个单一模型对光伏功率进行预测得到3个预测结果并加权组合.最后,利用强化学习的Q学习算法对组合权重进行优化,进而最大化组合模型的预测性能.以某地光伏电站实测数据进行实验,结果表明文中所提出的组合预测模型优于其他预测模型,并验证了所提模型的有效性.