检索结果-南通市图书馆

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

在线全文

学校读者我要写书评

暂无评论

电力学报 2024年

作者：袁建华谈顺刘闯国网湖北省电力有限公司荆门供电公司三峡大学电气与新能源学院

为了提高光伏发电功率短期预测结果的准确性，提出了一种基于改进灰狼（improved grey wolf optimization,IGWO）算法优化长短时记忆神经网络（long short term memory,LSTM）的光伏发电功率短期预测方法。利用余弦相似度寻找相似日，... 详细信息

为了提高光伏发电功率短期预测结果的准确性，提出了一种基于改进灰狼（improved grey wolf optimization,IGWO）算法优化长短时记忆神经网络（long short term memory,LSTM）的光伏发电功率短期预测方法。利用余弦相似度寻找相似日，确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进，得到收敛性能更好的IGWO算法，采用IGWO算法对LSTM的超参数进行优化，建立了基于IGWO-LSTM的光伏发电功率短期预测模型。采用某小型光伏电站的运行数据进行仿真分析，结果表明，IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW，平均相对误差依次为3.43%、4.81%和6.33%，预测效果优于其他方法，验证了所提方法的实用性和有效性。

关键词：光伏发电功率短期预测改进灰狼算法长短时记忆神经网络

基于LSTM网络模型的光伏发电功率短期预测系统

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

自动化与仪表 2024年第4期39卷 26-30页

作者：常振成游国栋肖梓跃李兴韫天津科技大学电子信息与自动化学院天津300222

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的... 详细信息

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

关键词： STM32单片机短时预测 LSTM网络模型实时采集光伏发电功率

维普期刊数据库博看期刊

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2022年第8期43卷 58-66页

作者：袁建华谢斌斌何宝林赵子玮刘宇刘邦三峡大学电气与新能源学院宜昌443002 国网安徽省电力有限公司亳州供电公司亳州236000

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲(DTW)和变分模态分解(VMD)的粒子群(PSO)优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数... 详细信息

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲(DTW)和变分模态分解(VMD)的粒子群(PSO)优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。

关键词：光伏发电功率粒子群算法神经网络短期预测动态时间弯曲变分模态分解

考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

在线全文

学校读者我要写书评

暂无评论

中国电力 2023年第2期56卷 143-149页

作者：徐一伦张彬桥黄婧谢枭王若昕沈丹青何丽娜杨凯帆三峡大学电气与新能源学院湖北宜昌443002 国网湖北省电力有限公司荆门供电公司湖北荆门448000

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法(wolf pack algorithm,WPA)缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法(improved wolf pack algorith... 详细信息

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法(wolf pack algorithm,WPA)缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法(improved wolf pack algorithm,IWPA),并通过IWPA对最小二乘支持向量机(least squares support vector machine,lSSVM)进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明:无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。

关键词：天气类型相似日光伏发电功率最小二乘支持向量机

基于BRICH聚类和Copula-Monte Carlo模拟的光伏发电功率概率预测

在线全文

学校读者我要写书评

暂无评论

水电能源科学 2023年第12期41卷 220-224页

作者：黄牧涛高素花汪旸曾令康魏聪颖陈兴邦华中科技大学电气与电子工程学院湖北武汉430074 华中科技大学土木与水利工程学院湖北武汉430074 国家电网有限公司华中分部调度控制中心湖北武汉430077

光伏发电功率受气象的混沌特性影响,其随机性、波动性、间歇性对电力系统的运行影响较严重。针对原始光伏发电数据维度大及发电功率易受天气状况影响的问题,提出了基于主成分分析和BRICH聚类的数据处理方法,从而降低模型输入变量维度,... 详细信息

光伏发电功率受气象的混沌特性影响,其随机性、波动性、间歇性对电力系统的运行影响较严重。针对原始光伏发电数据维度大及发电功率易受天气状况影响的问题,提出了基于主成分分析和BRICH聚类的数据处理方法,从而降低模型输入变量维度,易于统计建模;其次,搭建了基于Copula-Monte Carlo的光伏发电功率概率预测模型,计算光伏出力在给定未来点预测值的情况下实际出力的概率区间预测,并基于区间覆盖率、预测区间平均宽度对模型进行评价。最后,以实际光伏电站夏季数据为例进行验证分析。结果表明,Copula-Monte Carlo方法可直观展示光伏发电功率的波动区间和期望值,且优于其他功率预测模型。

关键词：概率预测光伏发电功率 BRICH聚类 Copula函数 Monte Carlo模拟天气分型

在线全文

学校读者我要写书评

暂无评论

基于地基云图的光伏发电功率概率预测

基于地基云图的光伏发电功率概率预测

作者：项明俊浙江大学

学位级别：硕士

太阳能资源具有储量丰富、清洁可持续的特点,开发利用太阳能资源、发展光伏发电技术在应对能源危机、防止环境污染等方面表现出巨大潜力,已经成为可再生能源利用的重要方向。然而,光伏发电功率受大气系统的混沌特性影响,表现出极强的不... 详细信息

太阳能资源具有储量丰富、清洁可持续的特点,开发利用太阳能资源、发展光伏发电技术在应对能源危机、防止环境污染等方面表现出巨大潜力,已经成为可再生能源利用的重要方向。然而,光伏发电功率受大气系统的混沌特性影响,表现出极强的不确定性,大规模光伏并网给电力系统的安全稳定和经济运行带来巨大挑战。高精度、高可靠性的光伏发电功率预测能够为电力系统分析与控制提供关键数据支撑,近年来受到国内外学者广泛关注。传统光伏发电功率确定性点预测方法着重于提升预测精度,但预测存在固有不确定性,预测误差难以避免,预测精度的提升空间有限,亟需开发概率预测理论与方法实现光伏发电功率不确定性的有效量化。此外,云是造成光伏发电功率波动的重要因素,云的运动与演进变化会造成光伏发电功率剧烈波动,因此需要在光伏发电功率预测中加入对云的演进情形的考量。基于对传统光伏发电功率预测方法的调研及对其缺陷的分析,本文构建了基于地基云图的光伏发电功率概率预测模型,实现了对光伏发电功率不确定性的有效量化。主要完成了以下研究工作:（1）建立了基于深度学习的地基云图自适应特征提取模型。本文对原始地基云图数据进行预处理,并构建了非监督训练的变分自编码器模型,实现地基云图特征的自适应提取,大大降低了地基云图中的冗余信息。（2）构建了基于分位数回归的深度学习概率预测模型,并保证了预测分位数随标称分位水平的单调递增特性。本文将分位数回归与神经网络算法结合,利用长短期记忆神经网络提取出输入数据中的时序信息,预测得到光伏发电功率分位数结果,有效量化了光伏发电功率的不确定性;并提出非交叉变换层,在保证预测性能的基础上解决了应用神经网络实现分位数回归时的分位数交叉问题。（3）构建了基于地基云图的集成深度学习概率预测模型,通过所提模型与现有预测模型在开源数据集上的对比,验证了本文所提模型能充分挖掘地基云图的潜在特征,有效量化光伏发电功率的不确定性,在不同季节和不同天气状况下均具有优异的预测性能和良好的鲁棒性。

关键词：光伏发电功率地基云图概率预测分位数回归非交叉分位数深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

降雨天气光伏发电功率超短期和短期预测研究

降雨天气光伏发电功率超短期和短期预测研究

作者：崔琛北京交通大学

学位级别：硕士

光伏发电与传统的火力发电不同,发电特性受到太阳辐照度等气象因素的影响。降雨天气,云层遮挡太阳,光伏面板表面的太阳辐照度被衰减,同时,云层运动以及状态的变化会导致光伏发电功率波动剧烈,因此光伏发电功率的变化趋势更加难以预测。... 详细信息

光伏发电与传统的火力发电不同,发电特性受到太阳辐照度等气象因素的影响。降雨天气,云层遮挡太阳,光伏面板表面的太阳辐照度被衰减,同时,云层运动以及状态的变化会导致光伏发电功率波动剧烈,因此光伏发电功率的变化趋势更加难以预测。目前基于机器学习和深度学习的光伏发电功率预测模型在晴天场景下的预测精度能满足要求,但在降雨天气的预测误差较大,超过了10%,另外目前针对降雨天气下光伏发电功率预测的研究较少。因此,研究性能更高的光伏预测模型,提升降雨天气下的预测精度非常必要。针对降雨天气光伏发电功率模型预测精度低的问题,本文分别提出了降雨下光伏电站超短期预测、短期预测和区域光伏电站集群功率预测三种模型。论文的主要研究工作如下:数值天气预报数据的时空分辨率低,将其应用到超短期预测中会引入较大数据误差,气象卫星的数据精度和时空分辨率高,卫星图像还蕴含着云层状态的变化趋势。因此,本文构建了基于Unet的云光学厚度预测模型和基于长短期记忆网络(Long Short Terms Memory,LSTM)的地表太阳辐照度以及功率超短期预测模型。在构建基于Unet的云光学厚度预测模型时,云层变化具有空间相关性,首先将云光学厚度作为云层特征变量,使用Unet提取不同空间维度的云层特征,并将时间相关性强的多个云图数据作为输入,学习图像之间的时间相关性。为了解决云图数据的时延性,提出了一种双层云图预测方法,使用历史数据预测由时间延迟造成的云光学厚度缺失数据。在构建地表太阳辐照度预测模型时,首先使用线性插值重构云光学厚度时间序列,其次使用LSTM学习未来4小时云光学厚度与地表太阳辐照度的非线性关系,并实现辐照度超短期预测。最后,构建了基于LSTM的功率超短期预测模型,将预测的地表辐照度、数值天气预报辐照度和历史光伏发电功率作为模型输入,预测单个集中式光伏电站的超短期功率。实验结果表明,本文提出的模型预测精度提升了8%。超短期功率预测有助于调度部门制定实时调度计划,而短期功率预测方便电网部门制定日内调度方案。不同降雨类型的光伏发电功率曲线不同,云层、降雨量等气象因素造成功率波动。针对上述问题,本文提出一种基于迁移学习和光伏发电功率分解的短期功率预测算法。首先使用动态时间规整算法将电站的降雨样本按照雨型划分。其次,考虑到雨型划分之后样本少的问题,提出一种基于迁移学习的样本扩充方法,将欧氏距离作为相关度计算指标,计算源域样本和待预测目标电站样本的相关度,选择相关度高的源域数据作为扩充样本。然后,对降雨样本中的功率数据进行时间序列分解,并分析气象因素与各分量的相关性,选择相关性高的气象因素作为预测模型的输入。最后,使用基于LSTM和Attention的模型预测短期功率。经过实验对比,本文提出的模型日平均预测精度提高了6.42%,验证了模型的有效性。以上内容针对单个电站研究不同时间尺度的功率预测模型,然而同一降雨场景下,多个电站之间的光伏发电功率具有时空相关性,预测区域集群电站的功率能够抑制辐照度波动带来的功率波动,进一步提升降雨天气下的功率预测精度。针对降雨天气下区域光伏发电功率预测,提出一种考虑时空特性的区域光伏功率预测模型。首先收集多座集中式光伏电站位置数据和发电功率、气象因素数据,将光伏电站视为节点,计算各节点之间的地理距离,确定图模型的拓扑结构。然后,对各节点的光伏功率进行相关性分析,将相关性系数作为边的属性,气象因素作为节点的属性。最后,使用基于图卷积网络(Graph convolutional network,GCN)-LSTM-Attention的模型预测区域光伏发电功率。经过实验对比,本文提出的模型预测精度提高了6.3%,能够为跨区域、跨省光伏消纳提供帮助。本文针对降雨天气下的气象特点,结合先进的人工智能算法,针对单站超短期、短期和电站集群区域预测三个研究方向分别提出了各自的光伏发电功率预测模型。这些模型可以为降雨天气下的电网调度、稳定运行和光伏消纳提供理论与应用支撑。

关键词：降雨天气深度学习光伏发电功率超短期预测短期预测区域预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的光伏发电功率短期预测研究

基于深度学习的光伏发电功率短期预测研究

作者：王莹青岛科技大学

学位级别：硕士

实现“碳达峰、碳中和”的重要举措是构建以可再生能源为主体的新型电力系统。近几年,太阳能、风电能、潮汐能、生物质能等可再生能源发电被大力部署,特别是小型和大型光伏电站发展迅速。然而,由于光伏发电的不确定性和间歇性,为电力系... 详细信息

实现“碳达峰、碳中和”的重要举措是构建以可再生能源为主体的新型电力系统。近几年,太阳能、风电能、潮汐能、生物质能等可再生能源发电被大力部署,特别是小型和大型光伏电站发展迅速。然而,由于光伏发电的不确定性和间歇性,为电力系统的平稳运营提出了巨大挑战,精准的光伏发电功率预测可以更好的分配电力储备,为风险决策、微电网的能源管理提供参考。因此,本文以深度学习为基础进行短期光伏发电功率预测,以期更好的为电力市场提供决策支持。本文设计了两种光伏发电功率预测方法,分别是基于Attention机制的CNNBiGRU预测模型和基于鲸鱼优化算法(Whale Optimization Algorithm,WOA)的Attention-BiGRU预测模型。论文主要工作包括:首先,对公开数据集进行预处理和相关性分析。由于光伏发电功率不可能为负值,将小于零的异常值用0代替;筛选出缺失值,用前一天同一个时刻的值填充;对于不同单位量纲的数据进行归一化与反归一化;由于光伏在晚上或者凌晨是不发电的,选取一天中5:00-19:00的光伏发电数据。通过Pearson和Spearman相关系数分析了特征重要性,确定了预测模型的输入变量,达到了对高维数据降维的目的。详细分析了水平面总辐射度、倾斜总辐射度、地外辐射度、温度和太阳天顶角等主要因素对光伏发电功率预测的影响。其次,设计了基于Attention机制的CNN-BiGRU神经网络预测模型。通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU提取光伏数据的时间特征。然后,引入Attention机制解决长序列导致的预测精度下降问题,突出强相关特征的影响,减少弱相关特征的影响。实验结果表明,Attention-CNN-BiGRU和基于BP、GRU、BiGRU、AttentionBiLSTM、Attention-BiGRU的预测方法相比,具有更高的精度。最后,设计了基于鲸鱼优化算法的Attention-BiGRU神经网络预测模型。利用WOA优化Attention-BiGRU神经网络的学习率、训练次数、批数据的大小、第一层BiGRU的隐藏节点数,第二层BiGRU的隐藏节点数和全连接层隐藏节点数,以提高模型预测精度。实验结果表明,WOA-Attention-BiGRU与WOA-AttentionBiLSTM、Attention-CNN-BiGRU神经网络模型相比,预测精度更高。并且,Attention-CNN-BiGRU的预测精度优于WOA-Attention-BiLSTM模型。综上所述,本文以Attention-BiGRU为基础模型,从两方面提高其光伏发电功率的预测精度:一方面从加深神经网络模型结构入手,通过在Attention-BiGRU神经网络前加CNN层,提取光伏序列的空间特征;另一方面是从群智能优化算法入手,由于WOA优化算法参数少、操作简单以及跳出局部最优的能力强,所以选取WOA求解Attention-BiGRU超参数的最优解。

关键词：光伏发电功率 BiGRU Attention机制鲸鱼优化算法短期预测

基于自动化机器学习的多变量光伏发电功率预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自动化与仪器仪表 2023年第9期 64-68,73页

作者：王治国张玉峰简志宇尹涛袁培森国网内蒙古东部电力有限公司呼和浩特010010 南京农业大学人工智能学院南京210095

随着“双碳”发展目标的提出,以光伏发电为代表的新能源技术发展具有重要的战略意义。然而光伏发电率不稳定,因此,实时精准地预测光伏发电功率,对电网系统的平稳运行与调度具有重要意义。目前,机器学习已广泛应用于光伏功率预测,但需要... 详细信息

随着“双碳”发展目标的提出,以光伏发电为代表的新能源技术发展具有重要的战略意义。然而光伏发电率不稳定,因此,实时精准地预测光伏发电功率,对电网系统的平稳运行与调度具有重要意义。目前,机器学习已广泛应用于光伏功率预测,但需要足够的专业知识优化模型。自动化机器学习技术能够自动搜索各种模型空间选择最优的模型和超参数,无需人工搭建模型以及参数调节。使用自动化机器学习技术对光伏发电功率进行预测,针对缺失数据,提出了一种基于随机森林改进的光伏时间序列数据缺失值填充方法。在多变量光伏数据集上的实验结果表明,XGBoost为最优模型,其RMSE为1.62,相比于传统训练的XGBoost和LSTM模型,RMSE分别降低了2.81和2.56。提出的方法可以在具有缺失、波动性较大的数据集上能够取得较好预测的效果。

关键词：自动化机器学习自动时序预测多变量光伏发电功率随机森林