基于改进相似日和ABC-SVM的光伏电站功率预测

为提高光伏电站输出功率预测的精度,以满足电网调度的高精度要求,提出基于改进相似日和人工蜂群算法优化支持向量机的光伏电站功率预测方法。运用熵权法计算得到各气象因素对光伏出力的影响权重,通过计算历史日与待测日气象因数的加权欧氏距离和加权关联度确定相似日,选取相似日光伏输出功率历史数据、温度和湿度以及待测日温度、湿度作为支持向量机的输入变量,采用k-折交叉验证和人工蜂群算法相结合的方法优化核函数参数和惩罚因子,最终输出光伏电站各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的泛化能力和学习能力,具有较高的预测精度。     

自然降雨下光伏组件积灰预测方法研究

为了预测光伏组件上的积灰量,以相关气象因素为输入变量,基于最小二乘支持向量机(LSSVM)预测算法,并通过改进粒子群算法(PSO)中惯性因子的衰减方式提高预测算法寻优鲁棒性。在积灰预测模型中考虑当地时空因素,引入强相关的降雨量,并结合光伏组件发电功率衰减率,建立自然降雨清洗下的积灰预测模型。在杭州地区进行测量实验,通过实例计算表明此模型可快速预测统计周期内光伏组件积灰量以及积灰引起功率衰减率,为精准预测光伏发电功率和制定组件清洁频率提供依据。     

基于数据预处理与特征表示的多核SVM短期光伏发电预测

针对气温、降雨等气象数据有时难以获得且仅有的辐照度、光伏发电功率属于多源数据、毛刺多、具有不同特征的问题,提出了基于数据预处理与特征表示的多核支持向量机光伏预测方法,利用小波阈值分析法对光伏发电功率与辐照度进行去噪处理,通过对辐照度特征表示参数提取,进行SOM与k-means结合的二次聚类选取相似日,并采用多核支持向量机进行预测。结果表明,小波阈值去噪后能大幅提高预测精度,仅用辐照度与功率数据进行预测也能取得较高的预测精度,且多核预测精度高于单核预测精度。     

非晴空条件下光伏发电短期功率预测方法

针对非晴空条件下光伏发电短期功率预测精度不高的问题,提出一种基于自适应混合核的相关向量机光伏发电短期功率预测方法.通过构造混合核函数和自适应寻优核参数来增强预测模型的泛化和学习能力,建立对多尺度多模态变化数据的映射关系,实现光伏发电功率随机性波动规律的机器学习和有效捕捉.采用关联系数筛选历史相似日,通过历史相似日数据自...     

基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测

针对高分辨率气象数据匮乏影响光伏功率预测准确性的问题，提出一种融合气候相似性与奇异谱分析（SSA）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的高分辨率光伏功率组合预测模型。运用SSA分解光伏序列为不同子序列，建立CNN-LSTM日前预测模型以捕捉光伏出力的连续性特征；利用气候相似性通过低分辨率气象数据选取相似日实现高分辨率光伏出力预测；通过灰色关联分析动态组合权重得到最终预测结果。仿真结果表明，该组合预测模型可有效提高日前高分辨率光伏功率预测的准确性，具有较高的预测精度。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类，但点值预测方法难以适应光伏功率的随机性和波动性，因此，该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先，通过灰色关联度筛选出不同环境条件的相似日样本集，并利用EEMD将光伏出力序列分解成不同的本征模态函数；然后，利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化，并利用分位数回归法对光伏的输出功率进行短期区间预测；最后，通过算例数据验证所建立模型的有效性。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于Elman算法的光伏阵列的短期功率预测研究

根据青海某5 MW光伏电场的历史光伏发电功率数据和当地的气象预报信息,分析影响功率预测的主要气象因素。采用Elman神经网络算法,结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据,建立光伏发电短期功率预测模型。对不同日类型的光伏出力的预测结果表明,该短期预测模型具有较高的精度,有助于电网能量的调度,对电力系统的安全稳定运行有积极作用。通过与BP神经网络和非线性状态估计(NSET)算法对比研究表明,Elman神经网络具有更高的预测精度。     

基于模糊信息粒化的电力系统中光伏出力预测模型分析

针对传统点预测模型出现的不稳定性问题,提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法,确定其基本思想,并对数据预测的序列进行模糊信息粒化处理;其次采用最小二乘支持向量机法,通过非线性映射构建最佳的线性回归函数;最后根据非线性惯性权值对自适应粒子群算法参数进行优化,并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性,使用EEMD将光伏数据分解成多个等同的子序列,对波动性较强序列的识别分组粒化,以获得精准预测值。实验结果表明,所提模型能够解决部分随机性与波动性问题,提高整体稳定性,且百分比误差率较小,可广泛应用在现实生活中。     

基于粒子群算法优化支持向量机的 专用工程费用量化研究

针对电力专用工程费用的复杂性且易受各种因素影响的问题,以某地区专用工程数据为基础,参考国内其他地区的收费标准,提出了一种基于粒子群算法优化支持向量机的专用工程费用预测。通过历史的专用工程费用数据样本对支持向量机进行训练,利用训练的模型对专用工程费用进行预测。同时用粒子群优化算法优化支持向量机的关键参数,提高专项工程费用的预测精度。