摘要：微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。

摘要：在超短期的环境下,发电功率预测层级单一,导致误差增加,为此,提出基于迁移学习的光伏发电功率超短期预测方法。结合设定的发电预测范围,预处理自动化基础预测数据,各个区域布设节点,关联自动化预测源域,以此为基础,设计分布式自适应自动化预测序列,采用多维度、多层级的预测形式,扩大实际的预测范围,设定复合预测目标,构建光伏发电功率迁移学习自动预测模型,在其中增设特征自动化预测矩阵,并采用多层深度学习感知处理实现预测。最终的测试结果表明:设计方法的预测误差仅为1.03,具有实际的应用价值。

摘要：提出基于马尔可夫链的光伏电站发电功率超短期预测方法,对预测数据进行预处理,为云层状态划分提供参考依据。根据云层状态划分结果,计算预测节点云层应用覆盖范围,并根据特定格式进行修改,完成结合预测模型中设计的预测方案,达到超短期的预测效果。

摘要：随着我国风电产业的高速发展,风电功率预测的作用也愈显突出。提高风电功率超短期预测的稳定度、速度和精度,是更加合理地利用风电的关键技术之一。在深入分析影响风机出力主要环境因素的基础上,对真实风电场的环境监测历史数据进行了降维处理,以风速、风向、温度及湿度四个主环境因素作为GWO-SVR预测模型的训练和测试集,进行预测分析。不同预测模型的对比表明,降维处理可有效降低模型的复杂程度,降低无用数据对预测结果的影响,预测结果的稳定性、速度及精度均有提高。

摘要：以区域负荷作为研究对象,分析区域负荷与电网负荷在变化波形性、周期性等方面的特征差异。针对区域负荷变化过程中时序关联性较弱的特点,提出基于金字塔模型的区域负荷自适应超短期预测方法。采用灰色关联分析法,提取与负荷变化具有强关联性的客观特征因素。建立自适应增强随机权网络,加强模型对负荷特征的学习能力以及最优求解效率。设计分层金字塔模型结构,采用滚动淘汰的方式,提升预测模型对区域负荷特征变化的自适应性,降低区域负荷变化趋势突变对超短期预测精度的影响。仿真结果表明,该方法可准确跟随区域负荷变化趋势,具有较高的预测精度与稳定性。

摘要：针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。

摘要：不同于10 kV以上线路的负荷预测,单用户的超短期负荷预测往往表现出很高的不准确性。文章分析了这种不准确性的来源,并通过分析表明了这种不准确性是无法避免的。针对该问题不再以负荷曲线为预测目标,而是提出了以热力图来表示负荷预测结果的思路;将热力图与马尔可夫过程的基本原理相结合,设计了单用户的超短期负荷预测算法。这种算法包含预测数据初始化、增量更新以及预测结果生成等三个环节;以苏州某城区用户的实际数据进行实验,结果验证所述算法具有较高的预测准确度。

摘要：针对引起光伏发电量波动和突变的太阳全辐射,提出了一种基于网络集成的太阳全辐射超短期混合预测模型。首先,根据太阳全辐射在不同天气情况下的变化特性,构建混合模型的初级子模型,分别为针对变化平缓的多元线性回归模型和针对剧烈变化的非线性支持向量回归模型和神经网络模型;然后,设计一个含有两个隐层的四层感知器模型,融合三个初级子模型的预测结果,实现对未来15分钟太阳全辐射量的预测。采用网上公开数据库数据测试提出的混合预测模型性能,实验结果为所提出的混合模型预测值和真实测量值的相关系数高达0.945、预测平均误差约为0.9Wm-2,表明该混合模型的有效性。

摘要：为解决基于动态神经网络的超短期风电功率预测方法中预测模型输入变量多、模型复杂等问题,文中将平均影响值(MIU)和主元分析(PCA)方法相结合,对预测模型进行了优化。MIU方法表征了输入变量对输出的影响程度,可筛选出对预测输出具有最大影响的输入变量,简化预测模型,但变量的信息利用率不高。PCA法从剩余的输入变量中提取出主元,通过增加少量的主元变量提高信息利用率,弥补MIU方法的不足。数据分析及实验结果表明,通过MIU和PCA法优化的预测模型的输入变量能在获得较高的累计贡献率的同时降低模型复杂度,保留原系统的重要信息,并降低模型引入噪声的风险,使得风电功率预测精度得到显著提高。