基于相似日误差校正的光伏功率预测

光伏发电的功率预测是电网运行调度普遍关注的问题。光伏电站大量历史数据的挖掘和利用为波动的光伏功率建模提供了新方向。在采用气象相似日进行光伏发电功率预测的基础上,引入了相似日的光伏发电功率预测误差对预测日的光伏功率进行校正,更进一步提高了光伏发电功率预测的准确性。     

光伏发电功率超短期预测方法综述

大规模的光伏并网使电网安全问题日益突出,精准的功率预测能为电网安全稳定运行提供可靠的数据支撑。目前,国内外对光伏发电功率超短期预测开展了大量研究,但在其预测精度上还有待进一步的提升。为此,从影响因素、研究方法、预测难点及未来的发展趋势4方面对光伏发电功率超短期预测方法展开综述。首先对光伏发电的影响因素及预测方法进行归纳总结,然后在深入分析基于历史功率数据的预测法、考虑未来气象因素数据的预测法、基于云观测数据预测法以及多种数据组合的预测法的基础上,梳理出目前光伏功率超短期预测所存在的技术难点,最后结合其发展趋势,展望了未来技术研究的攻关方向。     

频域分解和深度学习算法在短期负荷及光伏功率预测中的应用

由于光伏发电和负荷的时变特性,光伏发电功率的消纳存在动态的过程,提升精细化的光伏及负荷预测技术对配电网的实时调度运行至关重要。该文在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。首先提出一种基于频域分解的短期负荷预测方法;其次,应用基于孤立森林和长短期记忆神经网络,预测短期光伏发电功率;然后,分析负荷特性及光伏发电特性;最后,结合消纳指标对安徽省某地级市国庆期间进行消纳能力分析。实验结果表明,所提出的短期负荷及光伏预测方法可达到理想的预测效果,消纳分析结果为该地区配电网火电机组调配提供参考意义。     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

电网接入光伏发电功率的实时调度与预测研究

光伏发电并网的容量具有随机性，其供电功率振荡会严重威胁电网安全稳定运行。提出基于实时调度的电网接入光伏发电功率预测方法。根据辐射量对电网接入光伏发电功率的关系曲线、电网接入光伏输出功率和温度的曲线、电网接入光伏发电功率和湿度之间的关系曲线，分析了电网接入光伏发电功率的影响因素；为避免光伏发电功率差异性较大带来预测结果不准确的问题，对电网接入光伏发电功率数据完成归一化处理；结合发电功率日特征相似度的计算结果，计算了权重欧式距离，获取具有最大影响力的功率数据，完成电网接入光伏发电功率的预测。实验结果表明，应用研究方法时，电网接入光伏发电功率的预测偏差始终低于0.05，获取的电网接入光伏发电功率预测结果始终分布在根据实际情况设定的阈值区间内。     

大规模分布式光伏短期集群功率预测综述

中国目前的光伏发电系统尚以集中式光伏为主,但是很多太阳能资源丰富地区对电力的消纳能力较差,因此分布式光伏日益受到重视。分布式光伏的波动性和随机性导致对其进行功率预测变得十分必要,然而,分布式光伏发电存在的历史数据收集困难、实时监测数据缺乏等问题对功率预测造成了极大的困难。近年来出现了一些将集群功率预测方法应用于风电场群功率预测的研究。因为集群功率预测方法更加关注集群内各区域的功率预测而不是单个电场或电站的功率预测,所以这种方法能够在很大程度上解决分布式光伏发电功率预测的难题。文章概述了目前已有的分布式功率预测方法和集群功率预测方法,分析了这两个方面已有的研究,并指出集群功率预测方法在分布式光伏发电功率预测上的应用前景。     

基于BP神经网络的光伏发电功率预测研究

随着光伏并网容量的增加,光伏发电功率的波动对电网调度运行的影响不容忽视,电网对光伏发电功率预测精度提出了更高要求。在分析了光伏发电功率波动影响因素的基础上,基于BP神经网络建立光伏发电功率预测模型。通过大唐吐鲁番光伏发电实测数据验证该方法,预测结果 RMSE为3.544,表明该方法可以准确预测光伏发电功率。     

基于神经网络的光伏系统发电功率预测

分析光伏系统的发电特性以及影响光伏发电的因素,建立基于神经网络的光伏发电功率预测模型.该模型采用三层BP(反向传播)神经网络结构,利用其强大的非线性映射和泛化能力,按季节建立4个预测子模型,子模型中将相同日类型的光伏发电功率的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

基于反馈型神经网络的光伏系统发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型。该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测。仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径。     

光伏发电系统功率预测研究方法综述

随着光伏发电大量并入电网中,为了合理制订发电计划,保证电力系统稳定运行,需要对光伏发电输出功率进行预测。主要就光伏发电系统功率预测研究方法进行了综合阐述,介绍了影响光伏发电系统功率输出的主要因素,概括了光伏发电系统功率预测中常用的人工神经网络算法、支持向量机算法等统计方法,最后给出功率预测结果评估的指标。     

基于反馈型神经网络的光伏系统发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型.该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

分布式光伏变负荷工况发电功率预测系统设计

对分布式光伏系统变负荷工况发电功率进行准确预测,能避免输出失稳。提出一种基于线空间重构和谱特征提取的分布式光伏系统变负荷工况发电功率预测方法,并结合DSP数字处理器进行预测系统设计。构建光伏系统变负荷工况发电功率的输出时间序列模型,用嵌入式的相空间重构技术进行光伏发电阵变负荷工况发电功率输出负载的异常特征提取,用变负荷工况判断方法进行功率瞬时特征检测,在相空间中提取发电功率时间序列的非线性特征,实现对发电功率时间序列的准确预测。在DSP开发环境下进行发电功率预测系统的优化设计。结果表明,采用该预测系统能有效实现分布式光伏系统变负荷工况发电功率预测,预测精度较高,过程收敛性较好。     

光伏发电系统功率预测方法综述

提高功率预测水平是光伏发电系统并网的关键技术问题,对提高光伏发电开发利用、保证电网安全运行有重要意义。对光伏发电系统的功率预测方法进行了分析与总结,根据光伏发电的应用及需求,归纳了各类光伏发电系统功率预测方法的优点及不足,希望对我国光伏发电预测方法的发展起到一定的促进和推动作用。     

光伏功率预测技术

光伏功率预测是提高光伏电站控制、调度性能,保障高比率光伏发电接入的电网安全稳定运行的基础性关键技术。国内光伏功率预测技术研究和工程应用尚处于起步阶段,理清其技术脉络和关键问题尤其迫切。文中对光伏功率预测基本技术原理和关键问题进行了全面综述,首先介绍其基本原理和预测模式,然后总结了超短期和短期预测的主要技术要点,并着重对提升预测精度的相关研究进行评述,最后结合中国光伏功率预测发展现状,提出了值得研究和关注的光伏功率预测关键问题。     

基于径向神经网络的光伏发电功率预测方法研究

光伏发电输出功率具有明显的随机性和不确定性,大规模光伏并网会影响电网系统的安全、稳定运行。因此,对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础,分析得到光伏发电过程中各个影响因素与输出功率的秩相关度,并将相关度最高的影响因素作为预测系统变量输入,建立基于RBF神经网络的预测模型,对光伏发电的功率进行预测研究,通过变量和输出量的历史数据对RBF进行训练与预测。     

光伏发电功率预测及储能系统参与的源-荷平衡分析

为统筹协调光伏发电功率消纳,在光伏电站引入储能系统,结合光伏功率预测,平抑光伏发电功率波动,降低对电网的冲击,进一步提高电网系统稳定性.在光伏发电功率预测中,充分考虑光伏设备离线等突发因素对功率输出的影响,对储能系统接入位置进行比较分析,选择在光伏发电系统并网点前的直流侧接入,相对减少损耗,提高效率.分析结果表明,该方...     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于双层Elman神经网络的光伏发电功率预测

随着光伏发电规模的不断扩大,光伏发电的波动性对其接入电网带来了很大挑战。文章在光伏发电功率影响因素研究的基础上,提出了一种基于双层Elman神经网络的光伏发电功率预测模型,利用历史辐照度数据、相关气象因子及天气预报数据进行功率预测。仿真分析表明该模型具有良好的预测效果。     

覆雪状态下光伏发电功率预测方法研究北大核心CSCD

光伏组件覆雪易造成发电损耗、组件变形、内部破坏等问题,是影响光伏电站冬季正常运行的重要因素之一。目前国内外对于光伏组件覆雪多采用人工清扫或任其自然消融,但人工清扫费时费力,而自然消融过程中造成的光伏发电损失难以评估。为此,文中首先对冰雪条件下光伏发电功率预测中的关键环节与参数进行了详细分析;随后对覆雪状态下光伏组件发电功率损失原理进行分析,进而搭建光伏组件覆雪实验平台,得出不同冰雪类型、厚度下的发电功率损失;最后建立基于蝗虫算法优化支持向量回归机的预测模型,并通过与4种不同模型预测对比,验证所提预测模型的有效性。该方法有助于对冰雪条件下光伏发电功率进行预测,可为光伏电站冬季运维提供参考。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。