基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

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。     

基于不同优化算法下风电预测精度对风水电协调影响研究

研究了持续法、ARIMA方法、改进BP神经网络3种不同的风电预测模型,在相同条件下,经实例仿真发现,改进BP神经网络模型的预测精度好于ARIMA预测模型,而ARIMA预测模型的预测精度好于持续法预测模型.基于上述3种不同的风电预测模型,建立了风-水发电联合协调运行的模型.采用遗传粒子群和混合粒子群2种不同的优化算法来研究风电预测精度对风-水电协调影响,通过仿真实例发现,风电预测模型精度越高,得到的理论值与实际值偏差越小;在考虑2种不同优化算法的情况下,遗传粒子群优化算法得到的数值与实际值偏差比混合粒子群大,同时基于不同风电预测模型下的误差也要比混合粒子群大.     

基于粒子群算法的神经网络在冰凌预报中的应用

为提高神经网络预报模型的泛化能力和预测精度,将粒子群算法与BP神经网络相结合,建立了粒子与神经网络参数的映射关系,利用粒子群算法全局搜索网络的最优权值,赋值于神经网络进行训练,从而建立了PSO-BP预报模型,并将模型应用于黄河宁蒙河段的冰凌预报中。结果表明,该模型预报合格率较高,属于甲等预报,且与GA-BP模型相比偏差更小、精度更高。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

基于粒子群神经网络的热力站供热负荷预测

结合河北省秦皇岛市碧水园热力站的供热实际情况,提出了利用BP神经网络进行热力站供热负荷的预测。为克服标准BP算法收敛速度慢和易于陷入局部最小的问题,提出利用进化算法——粒子群算法进行神经网络初始状态的优化。在此基础上,进一步提出了混合粒子群算法和速度变异粒子群算法两种改进算法提高优化性能。计算结果表明,采用粒子群算法和BP算法相结合的办法,可以明显提高热负荷的预测精度。     

基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用

针对不恰当地选取RBF神经网络的网络结构和参数会使网络收敛慢的问题,采用粒子群优化算法对RBF神经网络参数进行优化,建立了基于粒子群优化算法的RBF神经网络模型(PSO-RBF模型),对泾惠渠灌区地下水位埋深进行了模拟和预测。结果表明,与单一的RBF神经网络相比,PSO-RBF模型具有较高的预测精度。再根据时间序列预测法预测的降水量、径流量、蒸发量、渠灌引水量、地下水开采量、气温等模型的输入变量,用训练好的PSO-RBF模型预测了泾惠渠灌区2009~2020年地下水位埋深,发现该灌区地下水位埋深呈下降趋势。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于MIV-PSO-BPNN的光伏出力短期预测

针对高比例光伏接入电网时,光伏出力的波动性会严重影响电力系统稳定运行的问题提出一种基于平均影响值与改进粒子群优化神经网络的组合式光伏出力短期预测模型。首先,采用直接预测法,选取总辐射量、直接辐射量、散射量、相对湿度、气温、风速和降雨量7个影响光伏出力的因素,构建MIV-PSO-BPNN模型,基于Rapid Miner数据挖掘得出降雨量对光伏出力平均影响值为0.0099,影响较小,不作为模型输入变量。然后,用改进PSO优化算法对BPNN的权值与阈值进行优化。最后,利用上海浦东国际机场T2-2光伏电站数据进行验证,结果表明MIV-PSO-BPNN模型对光伏出力预测有效,在实际中有一定应用价值。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于改进粒子群优化神经网络算法的波浪捕获功率预测

传统BP神经网络算法应用于波浪发电系统捕获功率预测,易陷入局部最优和泛化能力不足,为此提出一种改进的粒子群优化神经网络算法,动态调整学习因子并添加变异算子。采用间接预测策略,搭建从波浪数据到波浪捕获功率的直驱式波浪发电系统模型;应用改进算法预测分析波浪历史数据,输入搭建模型,进而获得波浪捕获功率预测值。比较分析不同预测步数和不同算法的仿真结果可知,改进算法能有效克服传统算法不足,提高预测精度。     

基于遗传算法优化神经网络的光伏电站短期功率预测

针对现有光伏发电预测的不足,基于遗传算法(GA)和神经网络(BP)算法构建光伏电站功率预测模型,并使用组合权重法遴选相似日对模型进行修正。采用新疆某光伏电站运行实例验证模型的有效性,并对比BP-GA模型与单一BP模型的预测误差。结果表明,BP-GA模型克服了传统单一BP模型的不足,具有较高的预测精度,可为光伏发电预测工程实践提供参考。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识

针对分布式光伏发电系统广泛接入配电网,导致电力系统潮流计算速度和精度较低的问题,提出一种基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识模型。首先,在综合负荷模型的虚拟母线上接入等效光伏发电系统的负荷模型,从而建立配电网广义负荷模型;之后,提出一种将混沌优化与海鸥优化相结合的优化算法,基于该算法完成配电网的等值,并在此基础上进行含光伏发电的综合负荷模型参数辨识。最后,通过仿真表明该文提出的算法,相比于传统的粒子群算法和单一海鸥优化算法,在计算精度和收敛速度等方面具有优越性,并可应用于负荷模型的参数优化。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。