基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于相似日和交叉熵理论的光伏发电功率组合预测

为进一步提高光伏发电功率预测精度,提出一种基于相似日和交叉熵理论的光伏发电短期功率组合预测方法.首先采用模糊C均值聚类方法对历史样本数据分类,并提出一种基于隶属度的指标来选取相似日.然后采用最小二乘支持向量机、时间序列法和BP神经网络法分别预测光伏发电功率,通过交叉熵算法动态设置各预测时刻下单一方法的权重值,建立光伏发电功率的组合预测模型.算例结果表明,所提方法能够动态识别单一预测方法包含的信息量,能确定更加合理的权重值,从而提高光伏发电功率的预测精度.     

基于ANFIS的光伏输出功率超短期预测方法研究

光伏功率预测对于电网稳定安全运行及太阳能开发利用具有重要意义.根据天气预报信息,将天气划分为晴天、多云、阴天和雨天4种类型,并提出了在特定天气类型下基于自适应神经网络模糊推理系统(ANFIS)的光伏功率超短期预测模型.选取减法聚类算法形成初始模糊推理系统结构,有效避免了组合爆炸的问题.利用吉林省某高校光伏实验室的光伏功率数据进行实例分析,将该方法与多尺度持续法、多尺度滑动平均法和BP神经网络法的预测结果进行比较.结果表明,在不同天气类型下,前者的预测精度更高,验证了所提方法的有效性.     

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。     

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。     

基于地基云图与气象数据的辐照度轻量化预测

针对总水平辐照度(Global Horizontal Irradiation,GHI)的短时快速预测问题,提出了一种基于深度学习技术的全天空太阳总辐照度轻量化预测模型.首先,区别于传统的人为处理云图区分特征方法,采用卷积神经网络结构MobileNet自动提取地基云图特征.其次,通过对9项气象参数进行特征清洗,权重连接,建立了短时辐照度的预测方案.最后,将上述模型迁移至微型终端上,在神经网络计算棒的辅助下,实现了 GHI的轻量化快速预测.结果表明,相较于传统使用地基云图的时延神经网络预测模型,此轻量化GHI预测模型标准均方根误差降低了 5.5％,较未轻量化模型预测速度提升了 71％,可供家庭个体光伏用户进行快速预测.     

dbN小波变换在超短期风功率预测中的应用研究

为了降低风速序列的非平稳性,研究了基于db N小波变换及单位置NWP的超短期风功率预测模型。采用小波多分辨率分析法对原始风速时间序列进行分解,滤除高频分量,滤出低频分量,低频分量能够对风功率预测起到决定作用。然后,利用线性校正数学模型对超短期风速时间序列进行预测,并采用巴特沃兹低通滤波器对校正后的风速进行滤波。实验结果证明,该方法可有效地提高超短期风功率的预测精度。     

光伏功率测试仪的设计

基于光伏最大功率跟踪实验的特点和要求,设计由锂电池供电的光伏发电功率测试仪;应用多组数码管,同时显示电压、电流和功率3个参数。该仪表采用瑞萨R8C/25单片机为控制核心,将被测系统的电压采样值和电流采样值经过AD转换为数字量,传送给单片机进行运算和显示。光伏电池板的输出电压随外界环境的改变而改变,利用多次测量取平均值的方法,有效减小被测电压的误差。通过与现有产品比较,此功率仪具有成本低、易操作、精度高等特点,已成功地应用于光伏最大功率跟踪实验中。     

一种求取PV曲线的快速分解潮流法的改进

针对现有连续潮流法在求取电力系统的PV曲线时存在的问题,提出了一种基于快速分解法的改进潮流算法.负荷节点从基本工况开始增加,预测过程采用光滑插值技术,校正过程采用局部参数化求解修正方程获取完整的PV曲线.以IEEE39节点系统为例进行仿真,仿真结果表明该算法快速、准确、精度高,具有实用价值.     

基于空间距离的帧内预测方法

帧内预测当前块处于运动物体的边缘或者2个物体的边界时,帧内模式不能充分体现像素之间的差别．为解决该问题,提出算法：当进行水平预测时,利用垂直方向上相邻块的像素作为水平预测的参考,形成垂直距离矩阵；在进行垂直方向预测时,利用水平方向相邻块的像素作为参考,形成水平距离矩阵．基于空间距离不同相关性之间的差异,改变了H．264标准中9种预测模式中的5种．实验结果证明,这种方法对于不同分辨率的视频序列都有很好的编码效果．     

太阳电池工程简化模型参数确定及模型应用

针对现有文献中太阳电池工程简化模型的模型系数值不适用于当今光伏组件的问题,提出简单的仅需利用光伏组件出厂数据的模型系数确定方法.系数b通过拟合25℃下不同辐照度对应的开路电压数据得到,系数a和c分别取短路电流和开路电压的温度系数.不同厂家生产的光伏组件系数b不同,同一厂家生产的不同型号的光伏组件系数b可以取相同值.综合改进后的太阳电池工程简化模型、分段函数形式的太阳电池温度模型和考虑安装条件的入射光强度模型,开展光伏组件电气输出特性的动态仿真.当组件倾角小于最佳倾角时,角度变化对最大输出功率的影响很小;当倾角大于最佳倾角时,角度变化对最大输出功率的影响较大,影响程度随着角度的增大而增大.     

基于主成分分析和LightGBM的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析(PCA)和轻量梯度提升树(LightGBM)的风电场发电功率超短期预测方法。该方法首先进行主成分分析,将与风电功率相关程度低的维度剔除,降低数据的冗余性。然后利用LightGBM建模,实现风电场发电功率的超短期预测。实验结果表明,基于LightGBM的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期功率预测上的精度。     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

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。     

一种新型的产能递减曲线研究

在总结H递减曲线优缺点的基础上，针对其存在的缺陷，通过理论推导对其进行修正完善，得到了一种新型的、符合守恒定律的产能递减曲线类型，并给出了相应的递减参数求解方法。最后，分别用H曲线和修正曲线对一口压裂水平气井产能递减阶段的产量进行预测计算，并与数值模拟结果进行拟舍分析，结果表明：提出的修正递减曲线，一方面保持了H递减曲线能够在递减初期与产量上升或稳产阶段产量平滑衔接的优点，另一方面又弥补了H递减曲线自身存在的在难以精确确定递减0时刻的情况下进行预测产生较大误差的缺陷，从而使修正的递减曲线预测精度更高，使用范围更加广泛，可以用来实例预测计算。     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.