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%。     

考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。     

计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。     

基于鲁棒多标签生成对抗的风电场日前出力区间预测

风力发电不确定性强、波动性大,日前预测精度有待改善。为提高风电日前区间预测效果,提出一种基于鲁棒多标签生成对抗的风电场日前出力区间预测方法。首先,采用皮尔逊相关系数分析风电出力与多种气象因素、历史风电出力间的相关性,构建含数值天气预报气象特征与风电出力的原始数据集。然后,在原始数据集中去除待预测日风电功率,得到聚类数据集开展k-means聚类,获得带簇标签的原始数据集。之后,基于鲁棒性辅助分类生成对抗网络,生成海量带标签场景。最后,根据已知的历史风电出力和数值天气预报获得的特征,确定待预测日的簇标签,在生成场景中按对应簇标签筛选与待预测日风电功率特征相似度高的多个场景,组成相似场景集。基于相似场景集的待预测日风电功率均值及上下限,分别获得待预测日（次日）24个时段的风电功率点预测及区间预测结果。以中国东北某地区实际风电场数据为例验证了所提方法的优越性。     

考虑气象特征与波动过程关联的短期风电功率组合预测

为解决短期风电功率预测关键气象因素提取难、天气波动过程与功率波动过程匹配性差的问题,提出了一种考虑气象特征与波动过程关联的短期风电功率组合预测方法。首先,通过最大相关-最小冗余原则得到数值天气预报的气象特征因素来划分天气波动过程。其次,考虑天气波动过程与功率波动过程的关联关系,建立了以气象特征因素为输入、以风电功率为输出的波动过程关联的短期组合预测模型。最后,将不同天气波动过程下的风电功率预测值在时序上进行重新组合,以得到波动过程为输出的短期风电功率预测结果。实际算例表明,采用气象特征因素作为输入以及面向波动过程关联的组合预测方法能够明显地提高短期风电功率的预测精度。     

基点气象相似聚合的短期风电功率预测方法

提出了一种基点气象相似聚合的短期风电功率预测方法。先以风电功率预测时间点(简称基点)的气象为核心对历史气象记录按灰色关联度进行相似聚合,以突出基点气象对应的风电功率变化规律。再对聚合中历史记录的气象因素按因子分析法降维、求取独立因素,以去除原始气象因素之间的相关性、降低因果关系的非线性度。然后基于径向基神经网络建立"独立因素-风电功率"的映射关系,从而实现风电功率预测。结合实例对此方法进行了仿真,结果表明,此方法预测得到的风电功率,其准确度比基于主成分的径向基神经网络方法的高、比径向基神经网络方法的更高。     

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。     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义，风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响，给风电功率预测精度提出了挑战。针对上述问题，提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork, TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先，利用DWT将风电数据序列分解为不同频率的风电数据集，对不同频率的风电数据集做自相关函数分析，提取高自相关性的风功率训练子集作为预测模型的输入。其次，根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型，深度挖掘风电功率时序关系，获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响，采用DDQN算法优化预测模型的参数。最后，利用DWT将不同频率超短期风功率预测结果进行重构，获得了预测...     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

缺少气象数据场景下的超短期风电预测

本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logis?tic regression)且不依赖气象数据风力发电预测模型.提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和...     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。     

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。     

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.