针对光伏发电存在供电多、供电集中等问题,提出一种基于需求响应的光伏发电系统电量平衡调度算法。基于需求响应,结合分层调度思想,构建双层电量平衡调度算法。结合粒子群优化(particle swarm optimization,PSO)算法与Pareto支配关系,...针对光伏发电存在供电多、供电集中等问题,提出一种基于需求响应的光伏发电系统电量平衡调度算法。基于需求响应,结合分层调度思想,构建双层电量平衡调度算法。结合粒子群优化(particle swarm optimization,PSO)算法与Pareto支配关系,设计多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法,完成双层调度求解,实现光伏发电系统电量平衡调度。测试结果表明,该算法的供电量仅为8208 k W·h,并且分散在01:00—02:00、06:00—07:00、11:00—15:00和20:00—23:00的4个时段,其变异系数超过1.5,供电更加分散;用户日内实际用电功率仅为125 k W,方差仅为4.63,并且分布在120~125 k W的较小范围内,其整体分布比较均匀,说明设计算法的调度性能良好。展开更多
随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法...随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。展开更多
文摘针对光伏发电存在供电多、供电集中等问题,提出一种基于需求响应的光伏发电系统电量平衡调度算法。基于需求响应,结合分层调度思想,构建双层电量平衡调度算法。结合粒子群优化(particle swarm optimization,PSO)算法与Pareto支配关系,设计多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法,完成双层调度求解,实现光伏发电系统电量平衡调度。测试结果表明,该算法的供电量仅为8208 k W·h,并且分散在01:00—02:00、06:00—07:00、11:00—15:00和20:00—23:00的4个时段,其变异系数超过1.5,供电更加分散;用户日内实际用电功率仅为125 k W,方差仅为4.63,并且分布在120~125 k W的较小范围内,其整体分布比较均匀,说明设计算法的调度性能良好。
文摘随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。
