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。     

风光储支撑黑启动的可行性评估方法

随着风电和光伏装机容量的快速增长,配置储能系统的风电场和光伏电站具备了作为黑启动电源的条件,将风光储发电系统作为黑启动电源,可以提高区域电网的黑启动能力。文章设计了适用于风光储发电系统作为黑启动电源的可行性评估方法。首先,从黑启动负荷需求的角度对风光储发电系统的输出功率进行了分析,得出了风光储发电系统作为黑启动电源的支持概率及存在问题;然后,基于功率预测方法和功率评价指标,设计了风光储发电系统作为黑启动电源的可行性评估方法,通过功率预测得出风光储发电系统的输出功率参考值,通过功率评价指标对风光储发电系统输出功率进行评估;最后,基于MATLAB仿真软件,分别设计了不同场景,验证了所提可行性评估方法的有效性,结果显示,当执行倾度大于等于1时风光储发电系统输出功率满足黑启动负荷的功率要求。     

光伏发电与风光联合发电系统输出特性分析

光伏并网运行是实现大规模开发利用太阳能的有效途径。由于光伏发电具有波动性和间歇性,大规模输出功率的波动将会对电网的规划、运行和调度带来不利影响。在分析吉林电网某地区光伏电站和风电站输出功率波动特性的基础上,结合并网集群风电站输出功率,建立风光联合发电系统,以定义的评估指标对其输出特性进行分析,从而确定了光伏电站接入的最优容量。结果表明单独光伏电站短时间内输出功率波动较为剧烈,集群风光联合发电系统输出功率更加平稳,即风电和光伏的"汇聚效应"比较明显。     

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。     

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K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

光伏发电功率预测方法的探索

首先,分析了影响光伏电站输出功率的各类气象因素,再根据物理原理建立了气象因素与光伏电池板电气特性之间的关系,最后,通过光伏电池的二极管模型及逆变器损耗模型实现了对光伏电站输出功率的预测,并根据某光伏电站的实测数据对功率方法进行验证。预测结果表明,该方法有较高的预测精度,能够满足工程应用的要求,且不受历史数据的限制,可用于新建光伏电站的功率预测。     

基于多维气象数据和PCA-BP神经网络的光伏发电功率预测

太阳能光伏发电受很多随机因素的影响,这使得光伏系统输出功率具有不确定性的特点。光伏系统输出功率的精确预测对电力系统的未来规划、调度管理和运行控制有着重要意义。通过多个渠道搜集多维数的历史气象数据,同时将天气类型分为无云、有云、多云和雨天4类;然后基于反向传播(back propagation,BP)神经网络建立不同气象条件下的光伏发电功率预测模型;最后利用主成分分析(principal component analysis,PCA)对原始气象特征数据进行降维分析和处理,以提高计算速度和精度。仿真算例结果验证了所建立的光伏发电功率预测模型的有效性,而且PCA降维能够降低训练,减少预测的计算时间,并提高预测精度,这表明PCA能适用于未来海量气象大数据下光伏电站短期、超短期的分钟级实时功率预测。     

基于预估-校正综合BP神经网络的短期光伏功率预测

针对现有光伏功率预测结果精度低、无法反映功率变动范围等问题,提出考虑不确定性的短期光伏功率综合预测方法。建立基于预估-校正综合BP神经网络的光伏功率点预测模型和考虑不确定性的光伏功率区间预测模型。结合某光伏电站历史数据对所提方法的正确性和有效性进行验证,算例分析表明,基于预估-校正综合BP神经网络的光伏功率点预测模型有效提高了光伏功率预测的精准度,考虑不确定性的光伏功率区间预测模型准确反映了光伏功率的变化趋势和范围。     

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。     

计及风、光、水能混合发电系统的建模与研究

提出了一种风光水混合发电系统,该系统包括风力发电、光伏发电、水力发电等子系统。在建立混合发电系统数学模型的基础上,分析了风光水抽水蓄能混合发电、风光互补抽水蓄能发电以及风光水简单混合发电3种运行方案的差异。通过实例仿真,对混合发电系统运行问题进行了探讨。仿真结果表明,风能、光能和水能互补性显著,可再生能源混合发电系统具有较大优势,抽水蓄能可解决电能生产与消费在时间上的不平衡问题。     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用。然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题。因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN)。利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加入注意力机制增强特征选择,给出一种改进的混合神经网络模型。根据发电量数据时间序列本身的特性,选取以日为周期的时间序列数据。最后,通过实验与近期其他模型对比,结果表明在同等条件下此混合模型可以大幅提高光伏发电量预测的精度。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

基于回归—马尔科夫链的光伏发电功率预测

随着光伏发电系统在电网中的比重逐步增大,其对电网的影响也越来越大。提前对光伏发电功率进行准确预测有利于电网及时调度、保证电能质量,从而保证电网的安全运行。针对光伏发电功率预测问题,给出一种基于回归分析和马尔科夫链的发电功率预测模型。考虑到季节、天气类型和气象等主要影响因素,通过回归模型得到初步预测值和相对残差序列,再结合马尔科夫链理论建立状态转移概率矩阵,从而修正误差序列,提高算法的精度。根据某光伏电站的实测功率数据对所提模型进行测试评估,验证了回归分析和马尔科夫链组合模型的准确性、简便性和适用性。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。     

小时风速的向量自回归模型及应用

短期风速预测对并网风力发电系统的运行有重要意义。该文简述了短期风速预测的价值和方法,分析了小时风速的日变化特点。在此基础上,提出将单变量小时风速时间序列向量化,以消除日周期非平稳,进而建立了向量自回归(vector autoregression, VAR)模型,并用于小时风速预测。算例表明,正常天气条件下,该模型可以预测提前72 h的短期风速。该文提出的方法和模型具有一定的普适性,可用于其它领域的时间序列建模与预测。