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。     

灰色动态BP神经网络在光伏短期出力预测中的应用

针对传统BP神经网络在光伏发电短期出力预测中的不足,提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化,同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中,预测结果和实测结果吻合度较高,验证了模型的有效性。     

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EEMD和BP神经网络的短期光伏功率预测模型

为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点，构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法，结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解，得到数据信号在不同时间尺度的局部特征，降低环境因素序列的非平稳性，然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后，选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明，构建的改进光伏出力预测组合模型的各项指标预测效果更好，且适用不同环境的光伏发电预测。     

基于改进神经网络算法的数控钻攻中心进给轴热误差预测

为降低数控机床热误差对数控钻攻中心的影响,提高工件的加工精度,解决不同工况下热误差预测精度不佳的问题。 在进给速度为 10 m/ min、环境温度 20°的工作条件下进行数控机床进给系统热误差测量实验,采用鹈鹕优化算法对神经网络进 行优化,确定 BP 神经网络的最优权值和阈值,建立进给系统热误差的 POA-BP 预测模型,并与传统 BP 神经网络和 GA-BP 神经 网络以及 SCN 随机配置网络进行实验对比分析。 结果表明,传统 BP 神经网络预测平均相对误差为 12. 23%,GA-BP 神经网络 平均相对误差为 11. 5%,SCN 预测模型预测平均相对误差为 12. 71%,POA-BP 预测模型预测平均相对误差为 9. 93%,精度有所 提升。 结论:提出的鹈鹕优化算法改进的神经网络在热误差预测中具有较强的有效性和精确性,可以提高进给运动精度,为热 误差补偿的实现提供理论指导。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

计及光伏电站功率预测的电力系统优化分析

光伏功率预测多采用间接预测法,由预测太阳辐照度数值结合光转电模型来预测光伏出力。为了解决传统BP算法在短期太阳辐照度预测中易陷入局部最优和收敛速度慢的问题,引入了自适应调节学习率和陡度因子建立太阳辐照度预测模型。在双极性Sigmoid函数中加入陡度因子以提高BP算法的收敛速度,为了便于数据处理将输入数据归一在[-1, 1],同时引入自适应调节学习率以调整网络权值,提高收敛性能。为了研究含光伏电站的电力系统优化问题,建立了系统日综合成本最小和日废气排放量最少的双目标优化模型,并采用双目标细菌群体趋药性算法进行优化。算例证明:改进BP神经网络算法能有效地提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性;预测光伏出力能够统筹安排机组出力,合理消纳光伏资源。     

考虑天气类型和历史相似日的短期光伏输出功率预测

光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度,提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据,根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化（spotted hyena optimizer）算法进行改进,采用改进斑点鬣狗算法（improved spotted hyena optimizer）对核极限学习机进行优化,建立基于改进斑点鬣狗算法优化（kernel extreme learning machine,KELM）的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析,结果表明,基于ISHO-KELM的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性,提高预测精度,验证了所提光伏预测方法的正确性和实用性。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明：采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题.探索了一种相似日与免疫遗传神经网络(IGA-BP)结合的预测方法:基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型.利...