共查询到20条相似文献,搜索用时 199 毫秒
1.
2.
为了得到光伏电站的输出功率,提出一种基于气象相似性的输出功率估计方法。该方法通过对大量历史数据的分析,利用光伏电站输出功率与气象数据密切相关的特点,基于皮尔逊相关系数在历史数据中计算得到与待估计输出功率相似的气象时刻,再根据相似气象时刻的输出功率估计待估计时刻的输出功率。利用甘肃省某光伏电站采集的包含9个气象要素的历史数据,经过数据预处理之后挑选出214 d不含有异常数据的数据集作为数据样本,并随机选出14 d不同天气类型的数据作为测试样本,其余作为训练样本。通过对测试样本数据进行验证,所提出的估计方法平均绝对误差仅为0.46 MW,相对误差仅为15.74%,具有较高的计算准确度,且适用的气象条件更广泛。 相似文献
3.
由于当前方法对发电数据进行采集时,没有对发电数据的缺失值进行修复,存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响,构建了负荷异常值类型的时间序列模型,利用该模型对异常数据负荷点进行剔除,由于剔除后的数据存在缺失值,因此对其进行修复;根据修复结果,采用BP神经网络对发电数据进行采集。实验结果表明,通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试,验证了该方法的有效性强、实用性高。 相似文献
4.
网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-Bi LSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。 相似文献
5.
目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。 相似文献
6.
7.
8.
9.
针对电网非对称故障下光伏电站在零电压穿越(ZVRT)期间的无功电流响应速度和并网电流谐波含量问题,提出一种基于模型预测调制函数的零电压穿越控制方法。该方法根据电压跌落深度给定正负序旋转坐标系下的指令电流,通过建立αβ坐标下的电流预测模型,对方差评价函数求导算出最小电流误差调制函数,并基于固定开关频率的正弦脉宽调制(SPWM)获取逆变器的驱动信号,从而实现ZVRT。仿真结果表明:与传统的PI控制和有限控制集模型预测控制ZVRT方法相比,该文方法不但可提高系统的动态响应、降低总谐波失真,而且具有运算量小、易于实现的优点。 相似文献
10.
梁家琦帕孜来·马合木提 《可再生能源》2022,(11):1515-1522
光伏逆变器开路故障种类较多且特征相似,因此故障诊断准确率不高。文章将自适应噪声完备经验模态分解和改进深度置信网络相结合,提出一种新型的故障诊断方法。该方法首先分析光伏逆变器的拓扑结构和工作原理,定义不同的开路故障类型;其次,采用自适应噪声完备经验模态分解和相关系数-能量值准则,筛选敏感本征模态函数(Intrinsic Mode Functions,IMF)分量,并通过希尔伯特变换求取各IMF分量包络谱,构造IMF分量、包络谱的能量和能量熵作为高维故障特征向量;最后,以训练集预测误差为适应度函数,采用海鸥算法(Seagull Optimization Algorithm,SOA)优化改进深度置信网络中的隐含层神经元数量和反向微调学习率两个重要参数,将多特征融合向量输入到SOA-DBN模型中,完成逆变器开关器件故障辨识。仿真和实验表明,与传统模型相比,文章所提的方法具有更好的诊断效果。 相似文献
11.
基于Attention-GRU的短期光伏发电功率预测 总被引:1,自引:0,他引:1
针对传统长短时记忆神经网络(LSTM)参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制(attention)与门控循环单元(GRU)的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。 相似文献
12.
基于PSO-BP神经网络的短期光伏系统发电预测 总被引:1,自引:0,他引:1
对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。 相似文献
13.
针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。 相似文献
14.
针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲(DTW)和变分模态分解(VMD)的粒子群(PSO)优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。 相似文献
15.
16.
17.
户用光伏的随机性和波动性是制约网络消纳的关键因素,高比例的户用光伏并网将影响区域网络的静态电压稳定。文章通过户用光伏系统分析,研究了户用光伏接入对配电网电压波动的影响;并提出基于遗传算法的含户用光伏配电网无功优化方法;最后,利用IEEE33节点配电网模型,针对不同渗透率下户用光伏接入配电网进行仿真实验,验证了所提含户用光伏配电网无功优化方法的可行性与准确性,可有效解决配电网电压波动问题。 相似文献
18.
Online state of health (SOH) prediction of lithium-ion batteries remains a very important problem in assessing the safety and reliability of battery-powered systems. Deep learning techniques based on recurrent neural networks with memory, such as the long short-term memory (LSTM) and gated recurrent unit (GRU), have very promising advantages, when compared to other SOH estimation algorithms. This work addresses the battery SOH prediction based on GRU. A complete BMS is presented along with the internal structure and configuration parameters. The neural network was highly optimized by adaptive moment estimation (Adam) algorithm. Experimental data show very good estimation results for different temperature values, not only at room value. Comparisons performed against other relevant estimation methods highlight the performance of the recursive neural network algorithms such as GRU and LSTM, with the exception of the battery regeneration points. Compared to LSTM, the GRU algorithm gives slightly higher estimation errors, but within similar prediction error range, while needing significantly fewer parameters (about 25% fewer), thus making it a very suitable candidate for embedded implementations. 相似文献
19.
考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。 相似文献