一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法

由于具有间歇性、波动性和随机性的特点,光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行。因此,开展区域光伏功率预测能够为调度部门提供电源出力参考信息,以合理规划调度计划及安排备用容量。提出了一种基于双层人工神经网络的多时间尺度区域光伏出力预测方法,基于选取的基准光伏电站实现预测分辨率为1 min、5 min和15 min的多时间尺度出力预测,解决了部分光伏电站因设施不完善导致的历史出力预测数据缺失与失准造成的区域功率预测精度低的问题,并降低了所需数据量。除了考虑相关系数之外,引入第一层人工神经网络的预测精度作为选择基准光伏电站的指标,有效地提高了区域功率预测精度。此外,针对基准光伏电站因云团遮挡或电网故障导致其出力波动进而影响预测精度的难题,提出了基于相邻光伏电站出力的基准电站出力修正方案,并通过山东某地市的光伏历史出力数据对所提方法进行了分析验证。     

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.     

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FA-PCA-LSTM的光伏发电短期功率预测

准确的短期光伏功率预测是调度部门合理制定发电计划、保证电力系统安全性和经济性的关键性技术.针对光伏出力可预测性低的问题,提出了一种结合因子分析(factor analysis,FA)、主成分分析(principal component analysis,PCA)和长短期记忆网络(long short-term memory,LSTM)的光伏发电短期功率预测方法.首先采用因子分析对多元数据序列信息进行分析,提取相关性较高的公共因子并优化样本.然后通过主成分分析对优化后的多元数据序列进行筛选,在充分利用序列信息的基础上降低数据规模和复杂程度.最后,利用LSTM网络对多元数据序列与光伏功率序列之间的非线性关系进行动态时间建模并预测.采用中国新疆某光伏电站的实测数据进行验证,算例分析结果表明所提预测方法的有效性.     

考虑可再生能源出力不确定性的多能源电力系统日前调度

随着可再生能源的开发利用,以风电和光伏发电为代表的不确定电源对电力系统安全运行影响越来越大。传统对风电和光伏发电出力不确定的研究,大多假设其预测误差服从正态分布,但正态分布并不能准确描述这一误差分布。基于此,采用人工神经网络直接模拟预测误差的分布规律以确定其对调度方案的影响,同时为了提高模型的求解速度利用神经网络模拟机会约束条件成立的概率水平,将训练好的人工神经网络嵌入机会约束规划模型求解中,形成能够考虑风、光出力不确定性的多能源电力系统日前调度模型。为提高可再生能源消纳能力,调度模型在保证经济性的同时,优化可再生能源的渗透率。采用博弈优化理论,将得到的多目标优化非劣解作为博弈参与者的策略集,进一步通过相互博弈达到纳什均衡的过程寻找最优策略解。最后通过修改的IEEE30节点系统,采用实际风电场和光伏电站出力数据验证了所提模型的有效性。     

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。     

考虑天气和运行状态的光伏一次调频控制及评估

目前光伏电站参与电网一次调频策略并未考虑其调频能力的差异,不能充分挖掘光伏发电对电网频率的支撑能力.为提高光伏电站的控制精度和调节效果,提出了一种考虑天气特性和运行状态的光伏一次调频改进策略.基于时序数据动态天气划分的方法预测光伏电站最大出力,结合运行状态,将功率调节裕量和调节速率作为光伏调频能力的评估指标;为充分发挥...     

考虑灵活性的含分布式光伏配电网双层优化调度方法

间歇性分布式光伏电站的大量接入,增加了配电网运行的不确定性,给配电网的运行灵活性带来很大的冲击.首先分析配电网中,与主网联络点、储能和需求响应负荷所能够提供灵活性大小的计算方法;然后,建立考虑灵活性的含分布式光伏配电网双层优化调度模型,上层模型求解在某一光伏电站出力场景下最小化配电网运行费用的调度方案,而下层模型则求解光伏电站出力波动范围内最严峻的出力场景;其次,为解决满足极端场景的灵活性要求往往需要付出较大的经济代价的问题,引入直觉模糊规划,将原优化调度模型转化为直觉模糊规划模型以得到综合最优的调度方案;最后,以某个实际含光伏配电网为算例,计算结果验证所提出方法的正确有效性.     

基于学习理论的含光储联合系统的输电网双层规划

针对传统输电网规划中对光伏出力不确定性处理中存在的问题,提出一种基于学习理论的含光储联合系统的输电网双层规划模型。下层基于学习理论对光储联合系统进行优化,目标为光伏电站长期运行收益最大与计划功率不确定性最小。将下层优化求解得到的光储联合系统计划功率代入上层的输电网规划模型,以线路投资成本、运行成本和弃光成本最小为目标进行规划。最后用改进的IEEE118节点算例验证了光储联合系统可以减小计划功率的不确定性,提高规划结果的可信度。本研究建立的Q学习控制器具有良好的在线学习能力,通过大量数据的学习后能对光储联合系统的计划出力进行有效的指导。     

基于功率控制的三相SVPWM并网光伏系统

为了实现光伏系统的最大功率输出和并网运行并改善其输出特性,提出了一种基于SVPWM调制的逆变器功率控制方法.该方法采用双闭环控制,以光伏阵列输出的最大功率作为逆变器功率外环的参考输入量,实现最大功率注入电网;逆变器控制内环为电流环,用于控制系统注入主电网的电流品质,同时实现对逆变电路的电流保护.实验结果表明,该控制方法的控制效果优良,具有功率跟踪精度高、电流畸变小的特点,能够提高光伏并网系统的功率转换效率.     

多变量时间序列CAR模型在短期光伏发电量预测中的应用

提出一种采用多变量自回归时间序列CAR(Controlled Auto-regressive)模型作为预测光伏电站发电量的方法。该方法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18kWp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,对光伏电站发电管理具有一定的参考价值。     

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。     

基于分段控制的光伏全工况MPPT研究

光伏(PV)阵列输出特性随运行环境及自身工况的变化而变化.为满足不同工况下最大功率点跟踪(MPPT)控制需求,在对光伏阵列各工况下输出特性进行分析的基础上,提出了一种改进量子粒子群算法(QPSO)与扰动观察法相结合的MPPT分段控制方法.在跟踪控制初期,采用非一致性自适应变异DCWQPSO算法进行最大功率点全局搜索,使功率点快速收敛至最大功率点附近,提高跟踪速度;在跟踪控制后期,采用闭环模糊控制扰动观察法进行最大功率点局部搜索,提高跟踪精度.Matlab仿真结果表明,该分段控制方法在光伏阵列各工况下仅需0.32 s即可完成MPPT,并保持稳定,比其他控制方法具有更快的跟踪速度及更高的跟踪精度,可有效提高光伏发电效率.     

基于干扰观测器的多光伏光柴混合系统协调控制研究

提出了一种基于干扰观测器的多光伏光柴混合系统协调控制方法,并与采用最大功率跟踪控制而不加协调的多光伏系统的供电效果进行了对比.仿真结果证明,该方法减小了光柴混合系统的频率偏差,并且使各个光伏系统获得了较大功率输出.     

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.     

大功率光伏逆变器输出滤波电抗器有功损耗测量

针对大功率光伏逆变器输出滤波电抗器的有功损耗测量目前受自然环境以及技术条件限制尚未达到工业需求的问题,提出了光伏阵列模拟器和光伏逆变器工作过程的互逆性原理并设计了电力电子变流技术改造光伏逆变器,实现光伏阵列模拟器的功能,并得出相对真实的环境数据搭建有功损耗测试平台.此光伏阵列模拟器测试系统可以准确地测试出各项性能和有功损耗量,相较于目前国内的测试方法,该大功率光伏逆变器输出滤波电抗器有功测量更省时、省力、成本较低且能够达到工业的要求.     

基于梯次利用电池储能系统的分布式光伏接入受限对策

以农村户用分布式光伏接入为场景,分析光伏接入受限原因并提出基于梯次利用电池储能系统的应对方案。从一次设备容量、配网电压控制、光伏出力波动三个方面分析制约分布式光伏接入的薄弱环节。构建电网改造和配置储能应对措施的投资模型,并基于经济技术比较提出基于梯次利用动力电池构建储能系统支撑分布式光伏消纳的方法。开发采用动态成组理论的梯次利用电池储能系统样机并开展现场试验。试验结果表明:储能样机可将光伏出力中心偏差值降低35%,并将最大峰峰差值降低60%;同时将变压器负载峰谷差降低20%,负载率降低12%,有效支撑电网对分布式光伏的消纳。