光伏电站短期发电功率预测方法研究，新的算法仿真

传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

为了提高光伏发电输出功率的预测精度和可靠性，本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象，在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上，以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器，以LinearRegression作为第二层元学习器，构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明，该方法的R2、MSE分别达到了0.9874和0.1056，相较于单一的机器学习模型，预测精度显著提升.

1、利用历史数据进行风电功率预测，数据的质量对预测准确度有很大的影响，此外，了解风速、功率在不同时段的变化特性，采取针对性、差异化的参数配置，有助于提高预测算法的效率和模型对具体数据的适应性。本课题主要采用 K 均值聚类算法对风速和功率数据进行聚类，剔除不合理的数据，再通过BP神经网络实现短期风电功率预测。 2、BP神经网络、kmeans聚类算法。 3、matlab仿真；

风力发电预测（两个风力发电场25台风力发电机2年发电数据），含风速、风向、外界温度等天气特征

可用于光伏预测，机器学习等领域。 来源于国能日新光伏功率预测大赛。 具体介绍可参考DC竞赛里的国能日新光伏功率预测大赛。 处理分析网络上有若干帖子。 训练集和测试集的描述如下： 训练集有train_1.csv（66859条数据）, train_2.csv（43755条数据）, train_3.csv（29792条数据）, train_4.csv（42687条数据）共4个文件，测试集有test_1.csv（11808条数据）,test_2.csv（14688条数据）,test_3.csv（6182条数据）,test_4.csv（13894条数据）共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。训练集字段包括时间、辐照度、风速、风向、温度、压强、湿度、实发辐照度、实际功率；测试集数据字段，除无字段实发幅照度和实际功率外，增加了id列为样本id，每条记录的样本id是唯一值，其它字段同训练集数据。 1. 实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2. 实际辐照度的负值视为噪声数据。 3. 实测数据中有明显异常的数据可进行剔除处理。

训练集和测试集的描述如下： 训练集有train_1.csv（66859条数据）, train_2.csv（43755条数据）, train_3.csv（29792条数据）, train_4.csv（42687条数据）共4个文件，测试集有test_1.csv（11808条数据）,test_2.csv（14688条数据）,test_3.csv（6182条数据）,test_4.csv（13894条数据）共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。训练集字段包括时间、辐照度、风速、风向、温度、压强、湿度、实发辐照度、实际功率；测试集数据字段，除无字段实发幅照度和实际功率外，增加了id列为样本id，每条记录的样本id是唯一值，其它字段同训练集数据。 补充说明： 1. 实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2. 实际辐照度的负值视为噪声数据。 3. 实测数据中有明显异常的数据可进行剔除处理。

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法。