基于相似日理论和LIBSVM软件中SVR算法的光伏发电系统输出功率预测方法

由于光伏发电具有间歇性、波动性的特点,因此准确预测并网型光伏发电系统的输出功率对电网调度,以及电网的安全稳定和经济高效运行具有重要意义.提出了一种基于相似日理论和LIBSVM软件中支持向量机回归(SVR)算法的光伏发电系统输出功率预测方法.通过实例进行仿真验算,并与同样采用相似日理论的反向传播(BP)神经网络算法、径向...     

光伏发电系统输出功率计算方法研究

准确计算光伏发电系统的输出功率,对光伏发电系统发电量的监管和光伏并网系统与电网调度、电力负荷等的配合问题具有重大意义。根据光伏发电系统的结构和工作原理,提出了光伏发电系统输出功率计算方法,可以计算任意太阳辐射量、环境温度、系统结构下的光伏发电系统输出功率。通过与真实光伏电站运行数据的比对,结果显示了光伏发电系统输出功率计算方法的适用性与准确性。     

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。     

神经网络短期光伏发电预测的应用研究进展

准确的太阳能发电功率短期预测是保证电力调度和大规模光伏并网的关键。该文对近年来光伏发电功率短期预测研究进展进行综述,并对影响光伏发电功率的各种气象因素进行相关性分析。针对用于光伏发电短期功率预测的人工神经网络模型和深度学习模型进行总结和评述。太阳辐照度是影响预测模型精度的主要气象参数。在光伏发电功率短期预测中,神经网络及其组合模型均表现出较好的预测精度,但组合模型整体上优于单一预测模型。     

基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法研究

短期分布式光伏发电功率预测对配电网调度计划的安排及优化具有重要意义。人工智能技术的进步为精细化分析光伏发电功率预测结果的影响因素以及提高光伏发电功率的预测精度提供了有效途径。文章提出一种基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法。首先,基于随机森林中的增益情况,对影响分布式光伏发电系统的各项特征参数进行筛选;然后,通过自适应神经模糊推理算法对输入数据进行训练,并使用粒子群算法对ANFIS模型进行优化;接着,建立基于离线训练和在线预测的ANFIS-PSO分布式光伏发电功率预测模型;最后,利用北京某地分布式光伏发电系统的实际数据来验证模拟结果的准确性。     

基于马氏距离相似度量的光伏功率超短期预测方法的研究

提高光伏功率超短期预测精度可有效减小光伏发电并网对电力系统稳定性的影响。文章提出了一种基于马氏距离相似度量的光伏功率超短期预测方法。首先,文章采用Elkan K-means聚类分析方法对天气类型进行划分,并通过计算各气象因素与光伏电站输出功率间的灰色关联度,选出不同天气类型下影响光伏功率的主要气象因素;然后,根据样本日和预测日间主要气象因素的马氏距离选择若干个相似日,并将相似日的光伏功率作为预测模型的训练集,对预测日的光伏功率进行超短期预测。模拟结果表明:基于马氏距离相似度量得到的相似日光伏功率和预测日的相似度较高;将基于马氏距离相似度量得到的相似日光伏功率作为预测模型的训练集,可以提高光伏功率超短期预测精度,为光伏功率预测领域提供了有效的方法。     

光伏发电系统输出功率特性分析及其平滑控制研究

为解决光伏发电系统受光照、温度等外部环境因素影响大、输出功率波动频繁以及并网电流谐波含量大等问题,在分析光伏并网发电系统输出功率特性的基础上,提出一种基于蓄电池和超级电容复合储能的并网功率平滑控制策略。详细分析不同光照、温度环境下系统输出功率的特性及其对电网的影响,给出复合储能型光伏并网发电系统的实现方案,并提出改进的系统并网控制方法,实现系统并网功率高、低频波动分量的平滑控制。仿真结果表明:该控制策略能有效平抑系统输出功率波动,同时降低并网电流的谐波含量。     

基于模糊神经网络控制方法的光伏发电系统并网设计

针对光伏发电系统运行过程中极易受到环境温度、太阳辐照度等外部条件干扰，从而导致其输出功率存在间歇性、随机性问题的情况，提出一种基于模糊控制算法及前馈(BP)神经网络的智能控制方法 (下文简称为“模糊神经网络控制方法”)来进行光伏发电系统并网设计，并搭建并网电路模型进行仿真分析。分析结果显示：相较于扰动观察法、模糊控制算法，采用模糊神经网络控制方法的并网光伏发电系统的泛化能力和鲁棒性更强，能更好地提高系统的稳态性和可靠性，可有效解决光伏发电输出功率存在的间歇性和随机性问题。     

基于分布式平滑控制的光伏群输出功率控制研究

针对单相并网光伏发电系统不确定性扰动难以准确估计和抑制的问题,提出一种基于不确定性估计器和扩张状态观测器的新型控制策略,在抑制未知扰动的同时提高光伏发电系统的电能质量。而后在此基础上,针对光伏群输出功率的控制,提出一种具有通信鲁棒性的分布式平滑控制方法。根据实验和仿真结果可知,基于UE-ESO的单相光伏并网逆变器控制方法能够提高单台光伏发电系统的稳态性能,基于DSC的PVC输出功率控制方法能够实现光伏群输出功率的有效控制。     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。     

大型光伏并网电站功率预测系统设计

西部大型光伏电站运行中普遍遇到并网调度难的问题,通过光伏并网电站功率预测系统(PV-GPPS)可以极大地提高大型光伏电站并网的可调度性。阐述了大型并网光伏电站功率预测系统的研究设计方案,通过对光伏并网电站功率预测系统实现的基本原理、数学模型进行分析,提出了考虑数值天气预测的基于SCADA、计算机信息技术的PV-GPPS的实现途径,对开发光伏并网电站功率预测系统具有一定指导意义和参考价值。     

Supercapacitors for power control in a grid-connected photovoltaic system

并网光伏发电系统输出功率的波动性和随机性给并网后系统稳定性,光伏发电消纳以及光伏电站电能质量等方面带来了负面影响,制约了光伏发电的发展.针对这一问题,将超级电容器作为功率调节装置,控制光伏并网系统按指定值平滑,准确地输出功率,使光伏发电具有可调度性.在分析了超级电容特性,系统构成和双向DC/DC变换器状态空间平均小信号模型的基础上,提出功率,电流双闭环反馈滞环电流控制策略,控制超级电容器吸收或补充输出功率的波动成分.在PSCAD/EMTDC 电力系统仿真软件中构建仿真模型,对提出的系统和控制策略进行了仿真分析,良好的仿真结果验证了方法的可行性.     

基于相似日和神经网络的光伏发电预测

光伏发电系统的输出功率受到季节、太阳辐射强度、温度和湿度等气象条件影响,呈现出时变性、间歇性和随机性。文章提出了基于相似日原理和改进的BP神经网络预测方法,利用光伏电站的历史气象信息建立气象特征向量,基于曼哈顿距离寻找相似日,根据给定的不同预测日选取3个相似日的输出功率作为预测模型输入,直接预测发电站的输出功率。以某光伏电站为例进行建模预测,并通过预测误差分析证明了算法的有效性。     

光伏电站输出功率影响因素分析

光伏发电系统的发电量取决于太阳辐照强度和温度等因素,其输出功率的变化具有间歇性和不可控性,大规模的光伏并网应用将对大电网的稳定运行造成冲击。光储联合应用将有助于降低光伏电源的负面影响,为了协调配置光伏系统与储能系统,需要深入了解光伏发电系统的输出特性。首先分析了大规模光伏发电系统并网应用对电网带来的影响,进而介绍了光伏发电原理和影响光伏组件输出的因素;然后依托某100 kWp光伏电站的实际历史运行数据,基于统计学方法,从气象因素如日类型、太阳辐射强度和温度等影响光伏出力的角度,对光伏发电系统的输出特性作了定性、定量的分析,从而归纳了光伏输出特性,最后据此提出了光伏电站输出功率的评价指标。     

基于ARIMA时间序列的分布式光伏系统输出功率预测方法研究

分布式光伏系统输出功率的预测是对配电网进行协调调度,进而有效消纳分布式光伏发电的关键。文章对天津某地区配电网中分布式光伏电站的功率特性进行研究,建立了基于ARIMA时间序列的分布式光伏系统输出功率预测模型。此外,还分别建立了基于ARIMA时间序列与神经网络的分布式光伏系统输出功率预测模型,以及基于ARIMA时间序列与支持向量机的分布式光伏系统输出功率预测模型,并比较了3种预测模型的预测误差。分析结果表明,与其他2种预测模型相比,基于ARIMA时间序列与支持向量机预测模型的预测误差较小,晴天、雾霾天、阴天和雨天条件下,该模型的预测误差分别为7.02%, 9.13%, 9.35%和9.48%,该模型的年预测误差为13.65%。     

基于混合储能的并网光伏发电系统功率控制研究

针对并网光伏发电系统输出功率的波动,提出利用混合储能系统对功率进行平抑.介绍了光伏最大功率跟踪和并网逆变的控制,为实现发电和并网功率的匹配,考虑蓄电池和超级电容器各自特性的优势,对混合储能系统提出了三级式功率分配策略;通过设计相应的控制方法和以功率分配单元的输出功率作为参考值,混合储能系统控制变换器进行合理充放电.混合储能系统不仅保证了并网功率按计划运行,而且稳定了直流母线电压、满足了随机负荷供电.通过仿真验证,三级式功率分配策略有效,控制方法可行.     

基于地基云图分析的光伏功率预测系统设计

光伏发电具有波动性和间歇性,直接导致输出功率的波动,从而给光伏电站输出功率预测带来巨大困难。传统的基于物理和统计模型,结合数值天气预报的光伏功率预测技术在遇到因云遮挡而导致光伏功率骤然下降的情况下,预测结果具有滞后性。文章在研究基于地基云图观测图像数据在线采集分析方法的基础上,通过云团识别、云遮挡预测、畸变校正与投影变换以及与光电转换模型、云强迫分析模型集成等关键技术环节,提出基于云图图像分析光伏电站输出功率预测系统的设计方法,理论分析和数据分析证明该方法对1h内或2~4h的光伏短期功率预测可以获得理想的精度,并具有广泛的适用性。     

基于GA-GNNM的极地光伏发电功率预测方法

为了更加准确有效地对极地光伏发电功率做出预测,提出一种基于GA-GNNM的极地光伏发电功率预测方法.首先对采集到的气候因素数据以及光伏发电数据中缺失、异常部分进行清洗归一化处理;通过最大相关最小冗余算法(MRMR)选择最佳的气候特征组合,构建多维气候特征数据集;并将其输入到K均值聚类算法中完成不同季节天气类型聚类划分,...     

含风光电站的电力系统动态经济调度

随着电力系统中风电和光伏发电的接入比例不断增长,其输出功率的随机性给系统经济调度带来了不确定因素。通过将满足一定置信概率的风电、光伏发电的功率区间预测信息纳入发电计划中,同时引入了可中断负荷作为旋转备用,建立了基于功率区问预测的考虑机组组合的系统动态经济调度模型。求解模型时利用改进离散粒子群算法（discreteparticleswarlnoptimization,DPSO）来解决机组启停问题,采用连续粒子群算法来实现负荷的经济分配,并采用启发式调整规则,提高算法的效率和搜索性能。最后通过10机系统仿真算例验证了模型和算法的有效性。     

与景观结合的奥运森林公园并网光伏发电系统

并网光伏发电系统与奥运森林公园景观相结合,体现了"绿色奥运、科技奥运、人文奥运"三大理念,是清洁能源技术在奥运会中的应用。并网光伏发电系统设计中采用了MPPT技术、防孤岛效应技术、逆功率反送保护技术和完善的并网光伏发电系统监控技术,提高了并网光伏发电系统运行的可靠性和电网的安全性。奥运期间奥运区域供电等级提升为特级,为满足供电可靠性,示范电站采用带功率流向检测的并网模式,当并网光伏发电系统的有功功率超过指定负载的有功功率时,切断并网光伏发电系统,防止电能馈入电网。