预测模型

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

9月23日，国网江苏电力有限公司营销服务中心自主研发的分布式光伏发电功率预测模型在宝应县成功试点应用。应用结果表明，模型对单户客户光伏发电功率预测的时间精度达到小时级，准确率可达91.3%。

针对锅炉燃烧系统的多目标优化，在所建立的锅炉燃烧系统预测模型的基础上，分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)算法优化锅炉系统的可调整运行参数，以实现锅炉高效率低NO x 排放。分析表明，2种优化算法所得的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适的权值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

为提高较少输入特征下对电网负荷的预测精度，提出一种基于集合经验模态分解(ensemble empirical mode decomposition，EEMD)、改进鲸鱼优化算法(improve whale optimization algorithm，IWOA)和时域卷积网络(temporal convolutional network，TCN)相结合的电网负荷预测方法。首先，使用EEMD对原始序列进行分解，得到具有较高细粒度的负荷分量序列；其次，采取相关性分析对分量进行融合，对融合后的分量序列分别建立TCN预测模型；然后，使用IWOA对TCN内部的超参数进行优化，提升模型训练速度和预测性能；最后，将各分量序列的预测值进行累计，输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。

针对长短期记忆(long short term memory, LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题，提出一种基于多策略改进金豺(improved golden jackal optimization, IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略，探索更好的初始解位置；引入Sigmoid函数改变逃逸能量，平衡探索和开发阶段；融合鲸鱼优化算法的螺旋包围机制，增强探索能力，提高收敛精度。然后，引入LSTM神经网络，利用IGJO算法优化LSTM的超参数，并建立IGJO-LSTM短期电力负荷预测模型。最后，使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明，所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法，所提预测模型具有更高的精确度和稳定性，并具有一定的实际应用潜力。

为提高大规模风电并网后电网频率稳定性，降低风储系统调频成本，提出考虑虚拟控制参数调节的优化模型预测控制策略。首先，计及储能系统对电网惯性水平与阻尼能力的作用，引入双曲正切函数自适应调节储能系统虚拟控制参数，满足不同时段的调频需求。然后，基于风储系统状态方程建立预测模型，以频率偏差与调频成本最小为控制目标，设计自适应模型预测控制策略。最后，搭建仿真模型，在阶跃和连续负荷扰动工况下对不同控制策略的效果进行对比分析。结果表明，所提控制策略能够有效改善电网调频效果，优化储能系统和风电机组的出力，具有更优的协同控制性能。

“双碳”背景下氢能将在各种领域发挥巨大作用，开展氢需求中长期预测具有重要意义。基于系统动力学方法建立了省级氢需求中长期预测模型。首先将氢能需求分为工业、供热和交通3大领域，考虑各子系统内部因素的相互作用以及经济发展、政策支持等外部因素的影响，分析因果关系，构建系统预测方程；其次设定系统参数，采用最小二乘法方程回归得到方程常数，基于该省发展规划利用灰色模型设定表函数参数，并将模拟结果与历史数据进行对比，结果表明模型误差较小，适用于该省氢需求预测；最后利用所建立的系统动力学模型对该省的氢需求量进行了预测。

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。