基于CAR模型的短期光伏发电量预测

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18 kW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.     

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。     

改进GM（1，1）残差修正模型在光伏发电量短期预测中的应用

采用改进的GM（1,1）残差修正模型建立光伏发电量预测模型,从理论发电量和实际发电量两方面对5．6kW太阳能光伏发电系统的发电量进行预测．通过对比GM（1,1）模型和改进的GM（1,1）残差修正模型的预测结果,证明采用改进的GM（1,1）残差修正模型预测短期太阳能光伏发电量能够取得更好的预测效果．     

太阳能光伏并网系统发电量预测方法

光伏发电受天文、气象、环境及自身组件特性的影响,发电功率的变化具有周期性和不确定性.并网光伏发电系统发电量的准确预测,可减小光电功率对电力系统安全、可靠运行的不良影响.国内外现有光伏发电量预测模型包括原理预测模型、统计预测模型、智能预测模型和基于不确定理论的预测模型等.通过分析太阳能光伏发电量预测研究状况和太阳能总辐射量预测的一般方法,总结了光伏发电量预测的现有预测模型的优缺点和适用范围,并对不同方法相互结合的组合预测法进行了展望.     

太阳辐射对大型渔光互补光伏电站发电效益影响分析

以江苏宝应生态渔业光伏发电"领跑者"示范基地为研究对象,定量分析了不同辐射指标对渔光互补光伏发电效益的影响机制.结果表明:太阳辐射对渔光互补光伏电站发电效益有着显著影响,且存在季节性波动,在夏秋季日并网峰值及发电量较大,稳定性较高,而冬春季发电效益和稳定性较差;太阳辐射指标与日并网功率最大值相关性较高,且呈明显对数关系,而日发电量与太阳辐射指标呈明显线性关系;不同月份并网功率最大值和发电量与平均辐照度、最大辐照度和累计辐照量均呈正相关关系,影响月并网功率峰值最为明显的是最大辐照度,而影响月发电量最为明显的指标是有效利用小时数.通过研究发现,在该地区开展光伏发电功率预测和前期太阳能资源开发利用评估时,可采用平均辐照度、最大辐照度、日累计辐照量3个指标作为参考指标.     

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。     

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.     

基于最优加权组合模型的光伏出力预测

针对单一光伏出力预测方法的局限性,建立了一种基于最优加权组合方法的光伏发电功率预测模型。基于气象信息数据,采用模糊聚类的方法将历史光伏发电功率样本分为几类,然后将预测日归类为相似度较高的历史样本集。将此类历史样本与预测日的气象数据作为输入样本分别建立BP神经网络模型、支持向量机模型。利用最优加权组合算法进行多模型的加权组合,得到组合预测模型。某光伏电站的实测功率数据与模型预测结果对比表明,提出的模型有较高的预测精度。     

灰尘对光伏电站发电量的影响及解决方案的对比分析

光伏电站的运营收益不理想,主要原因是沉积在光伏电池板表面的灰尘严重影响了电池板的正常发电,国内外多个调查机构针对灰尘影响光伏系统功率衰减进行研究,得出数据表明:我国光伏系统输出功率受灰尘影响平均约20％左右,即1兆瓦电站每年因灰尘损失电量约25万KWh,科技工作者投入大量资金花费几年的时间才能使光伏组件技术提升1～2个百分点的发电效率,但如果能有效解决光伏组件表面灰尘等污染物的清扫问题就能提高发电量将达到15％以上,因此保持光伏电站光伏电池板的清洁将能大大提高光伏电站的发电能力.     

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。     

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。     

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.     

光伏发电系统输出功率分布模型研究

在研究多种因素对光伏发电系统输出功率影响的前提下,建立适合确定性影响因素和多种随机性影响因素共同作用下的光伏发电系统输出功率的数学模型.然后编写光伏发电系统的输出功率的可执行程序,进行仿真.最后,对仿真结果进行分析,从而得到适用于配电系统可靠性评估的光伏发电系统的输出功率分布模型.     

不同季节光伏发电量与气象影响因子的诊断分析

利用多时间尺度下并网光伏电站电量资料以及同期的气象资料,研究了不同季节下典型气象因子对光伏发电量的影响机制和多变量间的耦合关系.结果表明:采用日尺度,全年日光伏发电量与日太阳总辐射的相关性最显著,其余依次是日照时数、气温日较差、日相对湿度(负相关)、日最高气温、日平均气温;不同季节中,夏季要考虑高温高湿的影响,春、秋、冬3季则要考虑气温日较差的影响;采用小时尺度,全年平均逐时光伏发电量与太阳总辐射的日变化趋势基本一致.     

计及源荷时序特性的低压台区分布式光伏接入分布鲁棒优化方法

为提高低压配电台区中分布式光伏（DPV）的接入容量,促进光伏消纳,本文提出一种计及源荷时序特性的低压台区DPV接入分布鲁棒优化方法.首先,针对低压台区中分布式光伏出力和负荷需求的不确定性,提出一种基于优化聚类的源-荷联合时序场景生成方法;其次,计及电压约束、线路容量约束、逆变器无功补偿约束及光伏消纳约束等,构建低压台区分布式光伏接入分布鲁棒优化模型,在保证各典型场景最恶劣概率分布下的弃光率期望值符合要求的情况下,最大化低压台区中分布式光伏接入容量;然后,建立低压台区分布式储能接入的数学模型,以研究储能接入及其充放电机制对低压台区分布式光伏接入的影响;最后,以实际配电台区为例进行仿真计算,验证了本文模型的有效性.     

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。     

不同季节光伏发电量与气象影响因子诊断分析*

本文利用多时间尺度下华中科技大学屋顶并网光伏电站1a(2010年3月~2011年2月)电量资料以及武汉站同期气象资料,根据天文因素的影响,研究不同季节下典型气象因子对光伏发电量的影响机制和多变量间耦合关系,结果表明：1)采用日尺度,武汉地区全年日光伏发电量与日太阳总辐射相关性最显著,其余依次是日照时数、气温日较差、日相对湿度(负相关)、日最高气温、日平均气温;2)不同季节下,影响光伏发电量的主要因子及其贡献也各不相同,除了太阳总辐射和日照时数外,夏季要考虑高温高湿的影响,春、秋、冬三季则要考虑气温日较差(反映天气类型)的影响;3)采用小时尺度,全年平均逐时光伏发电量与太阳总辐射的日(内)变化趋势基本一致：一日之间呈现单峰变化,早晚低,正午出现最大;而光伏发电量与日照时数的日(内)变化趋势差异较大。     

光伏组件输出特性的实训设备研制

随着光伏产业的迅猛发展,对于光伏发电技术人才需求也与日剧增,许多大学已经开设新能源发电相关课程,电力相关领域的光伏技术培训也已展开,相应的教学、培训用具有待开发。为了满足对光伏电池组件输出特性的实验、教学和培训的需要,本文结合光伏发电的原理及特性,研究并试制了一套用于测试太阳能光伏组件输出特性的实训实验箱,最后通过测试结果反映了光伏组件的输出特性。     

基于核密度估计和CatBoost算法的光伏功率预测方法

针对传统单一模型难以有效分析历史数据的波动性规律，从而导致光伏功率预测精度不高的问题，提出了一种基于核密度估计和CatBoost算法的超短期光伏功率预测方法。首先，采集相关的辐射、温度和湿度等特征量，创建光伏功率概率分布统计模型；其次，基于功率分布特性和CatBoost算法构建光伏电站功率预测模型；最后，将所提出的模型应用到实际算例中验证其有效性。通过与常用的预测算法对比，所提模型的预测误差相较于传统模型SVR、DTR、KNN、LSTM、LightGBM分别下降了27.59%、8.69%、16.21%、23.33%和12.56%。