雷前,潘妍,徐任超,黄继明,刘巽梁,潘榕

(国网浙江宁波市鄞州区供电有限公司，浙江宁波315000)

随着环境污染问题日益严重,光伏等新能源技术逐渐受到了全世界的重视,但光伏等新能源出力的随机性、波动性和周期性给电力系统的安全稳定运行造成了影响[1－3]。

目前光伏出力短期预测的主要研究方向是数据驱动模型[4－6]。数据驱动模型是利用人工智能算法对多维、多源和多层次的数据进行挖掘分析,适用于短期和超短期预测。

文献[7]利用粒子群优化和边界估值理论构建了预测模型,提高了光伏出力区间预测的质量。文献[8]提出了结合变分模态分解、深度回声状态网络和稀疏高斯混合过程的专家模型,能提高超短时间尺度下的预测精度。文献[9－12]基于数值天气预报(numerical weather prediction,NWP),建立了详细的气象模型进行光伏预测。文献[13]基于多元自适应回归样条的非参数回归模型,提高了预测的精度。文献[14－17]指出光伏出力不仅和气温、日照等有关,还与其他光伏电站的出力数据存在时空关联。文献[18]提出了基于频域分析和深度学习的光伏短期预测模型,指出深度学习算法在短期预测具有良好的性能。部分学者为强化训练效率,通过天气聚类、数据补全、引入需求响应信号等方式对样本数据进行优化[19－22]。

为同时提高预测精度和训练效率,本文提出了一种基于数据优化的改进深度学习方法光伏出力超短期预测模型。该模型通过数据预处理、参数动态赋值和多阶卷积通道合并运算得到反映不同光伏电站出力的融合特征值,再利用改进深度学习算法进行仿真分析,输出不同天气情况下的光伏超短期预测结果,仿真结果证明所提模型具有训练效率高和预测准确的优点。……