《利用 2DGRA-BiLSTM 模型的日前光伏功率曲线预测方法》
利用2DGRA实现最佳历史相似日数据的获取,根据日功率曲线的波动性将总数据分为3类(晴空条件、轻度非晴空条件和重度非晴空条件),根据3种分类,分别训练3种BiLSTM模型对日功率曲线进行预测。
《Short-term photovoltaic power forecasting method based on irradiance correction and error forecasting》
首先,利用测量到的辐照度对预报气象中的辐照度进行校正
分析NWP与PV功率预测的误差分布,NWP的辐照度的误差较大,对预报结果影响较大,因此采用实测辐照度对NWP辐照度进行校正。
利用北京某10MW光伏电站和青海60MW光伏电站数据,包括:历史运行数据、气象数据和NWP数据,分析误差特征,数据时间分辨率为15min.
使用均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)来评估预测的准确性。
辐照度预测指标
取2、5、8、11月份的5天数据,比较辐照度、温度在预报与实测中内的误差
核密度估计(KDE)是一种常用的非参数估计方法,具有较高的估计精度,用核密度估计来描述NWP与实测气象之间的误差分布。(就是用来描述的吧,后面也没用到,一直用的是ELM啊)
其中,是m个误差样本,h是带宽,k是核函数
功率预测指标
然后,利用PSO对预测模型进行优化
最后,引入误差预测模型对预测结果进行进一步修正
重点在于,减少原预测方法误差带来的负面影响
一般采用实测的历史气象数据作为预报模型的输入,光伏发电实测数据作为输出,并选择合适的网络结构和参数对预报模型进行训练。然后将NWP数据输入到训练好的模型中,得到预测功率。由于光伏发电功率预测的准确性很大程度上取决于NWP的质量,因此提高NWP的精度是提高功率预测精度的重要手段。
为了提高PV预报的准确性,有必要对辐照度进行短期校正,采用ELM算法对辐照度进行校正。例如:当输入为实测辐照度、......和NWP辐照度时,输出为校正辐照度
这个感觉有点像滚动,用于短期修正光照强度,如果是修正次日的96点的光照强度,应该不行
日内滚动可以参考,一种是早上8点、晚上8点气象预报更新,这个可以滚动;还可以按照历史实测光照强度数据+下一时刻的预报光照强度数据来预测下一时刻的光照强度,以此滚动优化。