多变量时间序列CAR模型在短期光伏发电量预测中的应用

提出一种采用多变量自回归时间序列CAR(Controlled Auto-regressive)模型作为预测光伏电站发电量的方法。该方法利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型。以华中科技大学电力电子研究中心18kWp并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性。应用结果表明,天气良好时,预测精度较高,对光伏电站发电管理具有一定的参考价值。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

考虑电压波动和光照变化的并网光伏发电系统暂态特性分析

针对光伏并网后的功率稳定问题,在PSCAD软件中建立了光伏发电系统的暂态电磁仿真模型.利用该模型研究了并网点电压波动和光照条件变化下光伏发电系统各单元的暂态响应特性.以光伏电站输入输出有功平衡为基础,分析了暂态过程中交流电流的变化情况,提出了基于交流电流变化规律的光伏电站无功补偿容量计算方法.以河南某区域电网为例,仿真分析了不同电压跌落程度下光伏电站吸收的最大无功功率;对比了不同接入方式下光伏电站光照波动所引起的并网点电压波动值.仿真算例表明,光照条件变化所引起的电压波动是限制光伏接入方式和接入容量的重要因素.     

一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法

由于具有间歇性、波动性和随机性的特点,光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行。因此,开展区域光伏功率预测能够为调度部门提供电源出力参考信息,以合理规划调度计划及安排备用容量。提出了一种基于双层人工神经网络的多时间尺度区域光伏出力预测方法,基于选取的基准光伏电站实现预测分辨率为1 min、5 min和15 min的多时间尺度出力预测,解决了部分光伏电站因设施不完善导致的历史出力预测数据缺失与失准造成的区域功率预测精度低的问题,并降低了所需数据量。除了考虑相关系数之外,引入第一层人工神经网络的预测精度作为选择基准光伏电站的指标,有效地提高了区域功率预测精度。此外,针对基准光伏电站因云团遮挡或电网故障导致其出力波动进而影响预测精度的难题,提出了基于相邻光伏电站出力的基准电站出力修正方案,并通过山东某地市的光伏历史出力数据对所提方法进行了分析验证。     

基于云平台的光伏电站监测及功率预测系统

针对传统的嵌入式预测系统容易受到现场条件与自身硬件的影响, 光伏发电系统监测距离短且功耗高、 数据采集精度低、嵌入式预测系统稳定性差等问题, 设计了以物联网云平台为主体框架, 以LoRa 为主要通信技术的光伏电站监测系统。通过在云端部署服务, 使用 GA-Elman 神经网络模型, 达到降低现场硬件成本与提高整体预测精度的目的。以湖北武当湖光伏电站为实验对象, 使用本系统对电站内装机容量为19. 9 kW 的光伏矩阵进行实时监测。实验证明: 该系统能长期可靠运行, 实时监测光伏电站的各项数据,功率预测精度高, 扩展性强。     

大型光伏发电系统的并网控制技术

论述了大型光伏系统直接并入输电网的可行性.大型光伏电站接入输电网时,采用两级式变换器,前级DC/DC推挽电路实现最大功率跟踪控制;后级DC/AC采用电压型PWM逆变器,可以方便地对光伏电站进行扩容,并稳定直流母线电压,实现光伏阵列的最大功率输出.最后在MATLAB/SIMULINK仿真平台上搭建两级式三相并网光伏发电系统仿真模型,并进行控制策略仿真.结果表明光伏并网系统能够稳定运行.     

考虑天气和运行状态的光伏一次调频控制及评估

目前光伏电站参与电网一次调频策略并未考虑其调频能力的差异,不能充分挖掘光伏发电对电网频率的支撑能力.为提高光伏电站的控制精度和调节效果,提出了一种考虑天气特性和运行状态的光伏一次调频改进策略.基于时序数据动态天气划分的方法预测光伏电站最大出力,结合运行状态,将功率调节裕量和调节速率作为光伏调频能力的评估指标;为充分发挥...     

一种计及空间相关性的光伏电站历史出力数据的修正方法

针对光伏系统渗透率增高对电力系统稳定运行带来的严峻挑战,考虑到光伏功率预测技术精度高度依赖于数据精度的问题,提出一种基于人工神经网络的光伏电站历史出力数据修正方法。利用人工神经网络在建立复杂非线性映射关系的优越性,引入皮尔逊相关系数对数据进行降维处理,选择与目标光伏电站出力相关性高的电站作为基准光伏电站,并结合光伏出力的空间相关性特征与基准光伏电站的出力数据对目标光伏电站失准及缺失数据进行修正,以解决由人为因素或数据采集系统老旧带来的光伏数据失准问题,并通过山东省聊城市的光伏历史出力数据对所提方法进行分析验证。     

大容量光伏发电接入对孤立电网稳定性的影响

针对电力系统综合程序（PSASP）的光伏模块,介绍了并网光伏电站的机电暂态仿真模型,及PSASP中光伏模块的保护功能整定,并在运用此模块的基础上对光伏电站接入后的实际孤立电网稳定性进行了仿真分析．结果表明,大容量光伏电源的接入会破坏电网的稳定性．     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

复杂天气和地形下的地表太阳辐射估算模型及其在超短期光伏发电功率预测中的应用

为了研究表面太阳辐射估算模型在超短期光伏功率预测中的应用,并减少多云天气对预测的干扰,利用电荷耦合器件/红外光谱(CCD/IRS)数据对表面太阳辐射估计模型进行了优化,构建了一种有效的超短期光伏功率预测模型,并通过实验证明了它的可靠性。首先介绍了CCD/IRS数据的原理,接着在考虑云量影响的情况下改进了太阳表面辐射估算模型。分别选择了多云和无云2种不同的天气类型来验证估算模型。实验结果表明:与传统算法相比,所提出的地表太阳辐射估算模型在多云天气和复杂地形条件下具有更大的优势,可用于光伏功率预测;基于地表太阳辐射估算模型构建的超短期光伏功率估算模型可用于在无云天气下获得准确有效的预测结果,提出的预测模型在多云天气中的偏差也得到了显着的改进。表面太阳辐射估算模型对于超短期光伏发电量的准确预测和安全运行具有重要的参考价值。     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于模糊控制的光伏发电系统MPPT技术研究

为了有效利用光伏电池,弥补其比较低的光电转换效率,需要对光伏发电系统最大功率点进行快速准确的跟踪.在建立光伏发电系统MPPT仿真模型中,对基于模糊控制的MPPT问题进行了研究,通过在Matlab/Simulink下建立基于查表法模糊控制的光伏发电系统的仿真模型,以及对模糊控制的查表法中隶属度与规则的设计.仿真结果表明,该模型具有较好的响应速度以及较高的跟踪精度.     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于GBDT和SVM的光伏发电出力预测研究

梯度提升决策树（GBDT）和支持向量机（SVM）是预测光伏出力的两种常用算法。分析了光伏发电出力的影响因素,介绍了GBDT算法和SVM算法的原理,以及基于两种算法的光伏出力预测模型的流程,并进行对比分析。实验结果表明,基于GBDT算法的光伏出力预测模型的平均绝对相对误差和均方根误差都较小,预测效果更好。     

基于BP神经网络的短期光伏集群功率区间预测

针对大规模光伏并网给电力系统安全稳定运行带来的严峻挑战,考虑传统单一光伏场站功率预测的局限性,以区域性光伏集群功率为研究对象,提出一种基于BP神经网络的光伏集群功率的区间预测方法。通过互信息方法对变量进行相关性分析,提取关键解释变量作为输入变量,利用主成分分析进行数据降维,解决了光伏集群功率预测大数据处理的问题。利用神经网络在数据挖掘和非线性关系拟合方面的优越性,将神经网络和非参数概率预测相结合,量化光伏集群功率预测结果的不确定性。实验算例采用中国某地区10个光伏场站,利用未降维的原始数据与本研究所提出的数据降维方法进行对比,分别计算80%和90%预测区间,结果表明,本研究所提出的预测方法预测区间带更窄,具有更好的预测效果。利用本研究所提模型预测了某天超前72 h的80%和90%置信区间,验证了该方法的可行性和先进性。     

光伏发电系统不对称故障功率控制

研究电网不对称故障下光伏逆变器的瞬时输出功率特性,结合指令电流的总谐波畸变率的解析推导,提出光伏发电的功率控制算法。考虑光伏逆变器输出电流谐波畸变率限值约束,以有功和无功功率波动的综合幅值最小为目标,建立光伏发电功率控制参数的优化模型。基于无差拍电流跟踪建立光伏发电系统整体模型,利用PSCAD/EMTDC仿真平台验证了该控制策略的可行性。