基于改进支持向量机算法的光伏发电功率预测

针对当前光伏发电间断性和随机性对电流影响较大的问题,基于改进支持向量机算法,提出光伏发电功率预测方法.通过灰色关联度优化气象影响因素参数,改进支持向量机算法,建立多气象因素协同约束的光伏电池等效模型,得到光伏电池的串联和并联电阻;将训练数据的总数映射到特征空间中,筛选数据并定义特征空间中的超平面,计算光伏发电的有效功率并降低误差.结果表明,预测结果与实际结果符合程度高,功率预测的绝对误差小,有效性和应用性得到验证.     

基于ESN的光伏发电功率预测模型研究

针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。并利用实际光伏发电站的历史数据和气象数据进行仿真验证。仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52%和102.26%,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性。该研究为光伏发电功率模型的实用化提供了理论基础。     

基于核密度估计和CatBoost算法的光伏功率预测方法

针对传统单一模型难以有效分析历史数据的波动性规律，从而导致光伏功率预测精度不高的问题，提出了一种基于核密度估计和CatBoost算法的超短期光伏功率预测方法。首先，采集相关的辐射、温度和湿度等特征量，创建光伏功率概率分布统计模型；其次，基于功率分布特性和CatBoost算法构建光伏电站功率预测模型；最后，将所提出的模型应用到实际算例中验证其有效性。通过与常用的预测算法对比，所提模型的预测误差相较于传统模型SVR、DTR、KNN、LSTM、LightGBM分别下降了27.59%、8.69%、16.21%、23.33%和12.56%。     

基于堆叠法集成学习的购买意向预测方法

为提高对用户购买意向预测的准确率,提出了一种基于堆叠法集成学习的用户购买行为预测模型.利用模型融合技术,将逻辑回归、决策树和XGBoost模型作为基学习器输入,再以随机森林模型作为次学习器进行堆叠,从而形成一种组合模型.针对电商提供的线上用户数据集,首先利用滑窗技术提取用于预测用户购买行为的特征,然后分别使用逻辑回归、决策树、XGBoost和集成学习组合模型预测用户购买意向的准确性.结果表明,组合模型的准确性明显优于其他算法.     

数据驱动的粮食产能组合预测模型

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对LSTM进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75％、19％,相较于其他优化LSTM的组合模型,RMSE大幅下降,该组合模型在粮食产能预测上具有更高的预测精度.     

基于GWO-SVM与随机森林的组合光伏功率预测模型

光伏输出功率具有间接性和随机性,当大规模的光伏并网时,会对电网的稳定性造成破坏,影响供电的质量.为了降低对电网的危害,需要对光伏输出功率进行预测.针对单一的预测模型都有自身的局限性,提出了基于灰狼群算法(Grey Wolf Optimization,GWO)优化支持向量机(Support Vector Ma-chine,SVM)与随机森林(Random Forest,RF)的组合预测模型.通过分别建立GWO-SVM和RF两个单一的预测模型,利用随机森林的非线性映射能力,对权重系数进行调节,确定单一模型的权重,将GWO-SVM和RF两种模型组合起来进行预测,得到光伏功率预测值.实验结果表明,所提模型相对于单一的预测模型具有更好的预测效果.     

基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于PCC-GRU-Attention组合风电功率超短期预测

由于风电出力具有随机性、波动性的特点,风电功率预测技术的研究对电力系统的安全稳定运行具有重要意义。提出一种基于PCC-GRU-Attention组合风电功率超短期预测方法,首先使用皮尔逊相关系数(pearson correlation coefficient, PCC)对数据预处理,选出高度相关性的特征作为输入,针对长短期记忆(long short term memory, LSTM)网络与门控循环单元(gated recurrent unite, GRU)网络处理长时序列易丢失序列信息的问题,通过GRU网络处理时间序列信息以及注意力(Attention)机制优化输出权重,与单一LSTM网络和GRU网络以及其它组合模型相比,有效提高了预测精度。     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络(Temporal Convolutional Network, TCN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理,用TCN提取多特征数据的时间序列特性,将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度,引入变分模态分解(Variational Mode Decomposition, VMD)对误差序列进行分解,分别对分解后的误差子序列构建BiLSTM模型进行误差预测,用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验,仿真结果验证了所提方法能有效预测风速,并在极端天气发生时,对风速具有较高的预测精度.     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.     

一种计及空间相关性的光伏电站历史出力数据的修正方法

针对光伏系统渗透率增高对电力系统稳定运行带来的严峻挑战,考虑到光伏功率预测技术精度高度依赖于数据精度的问题,提出一种基于人工神经网络的光伏电站历史出力数据修正方法。利用人工神经网络在建立复杂非线性映射关系的优越性,引入皮尔逊相关系数对数据进行降维处理,选择与目标光伏电站出力相关性高的电站作为基准光伏电站,并结合光伏出力的空间相关性特征与基准光伏电站的出力数据对目标光伏电站失准及缺失数据进行修正,以解决由人为因素或数据采集系统老旧带来的光伏数据失准问题,并通过山东省聊城市的光伏历史出力数据对所提方法进行分析验证。     

基于CAR模型的短期光伏发电量预测

利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型.以华中科技大学电力电子研究中心18 kW并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性.应用结果表明,天气良好时,预测精度较高.     

基于集成深度学习模型的空气质量指数预测

大气污染严重危害居民的出行安全和身体健康,空气质量指数(AQI)是一种用于测量空气质量状况的综合指标,对AQI的预测可以提醒公众空气质量信息,使人们做出更明智的出行决策.通过提前预测空气质量的变化,政府和环保部门可以采取应急措施以减轻空气污染.本文提出基于卷积神经网络和门控循环单元的集成深度学习模型(CNN-GRU)对AQI进行预测.其中,卷积神经网络(CNN)提取污染气体浓度和AQI的时空特征并完成特征映射,门控循环单元(GRU)建模时序关系并高效完成计算.选取2014—2022年北京市和广州市的6种主要污染气体(PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃)日平均质量浓度和AQI进行实例研究,使用CNN-GRU模型对AQI进行预测,与多元宇宙优化的广义回归神经网络模型(MVO-GRNN)、遗传算法优化的BP神经网络模型(GA-BP)对AQI的预测进行对比分析.实验结果表明,本文提出的CNN-GRU模型对AQI的预测误差最小.     

基于NWP辐照度斜面转换的光伏功率预测方法

短期光伏功率预测统计方法一般采用数值天气预报(numerical weather prediction, NWP)的水平辐照度, 而不是倾斜安装的光伏板上接收到的斜面辐照度, 导致预测精度不足。针对这一问题提出新的辐照度斜面转换方法, 先将散射辐射分为属性不同的分子散射、米散射, 再对两者分别进行斜面转换; 采用该方法将NWP水平辐照度转换为NWP斜面辐照度, 再基于NWP斜面辐照度进行光伏功率建模与预测。算例结果显示, 本方法的预测精度(均方根误差为10.25%、相关性系数为0.914 0)高于直接采用NWP水平辐照度的传统方法。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

多变量时间序列CAR模型在短期光伏发电量预测中的应用

提出一种采用多变量自回归时间序列CAR(Controlled Auto-regressive)模型作为预测光伏电站发电量的方法。该方法利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型。以华中科技大学电力电子研究中心18kWp并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性。应用结果表明,天气良好时,预测精度较高,对光伏电站发电管理具有一定的参考价值。     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元网络（Gated Recurrent Unit,GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）等其他模型,本文所提出的预测方法取得了良好的性能.