基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

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。     

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FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

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。     

基于相似日和最小二乘支持向量机的光伏发电短期预测

光伏发电预测对于减小并网光伏发电系统对电力系统的影响具有重要意义。针对光伏系统的发电特性,根据影响光伏发电出力的因素,提出选取相似日的方法,通过计算分析相似度筛选出与预测日特征相似的历史数据,与天气数据一同作为预测模型的训练样本。利用最小二乘支持向量机(LS-SVM)进行光伏发电预测,并通过某微电网示范工程的光伏系统数据验证,计算分析了预测误差,结果表明该方法具有较高的预测精度,对光伏发电预测具有一定的参考价值。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

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。     

基于结合混沌纵横交叉的PSO-DBN的短期光伏功率预测

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型。通过分析各模型函数的特征,建立了光伏发电模型的功率预测。传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度。DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。DBN连接权重采用结合混沌纵横交叉的粒子群优化算法(CC-PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能。最后,案例测试显示了所提出模型的有效性。     

基于核极限学习机的风光容量配置研究

风光发电的大量接入,电动汽车充电需求的持续增长,将引起配电网规划与运行特征的根本性改变,因而,研究风光发电以及电动汽车充电站容量配置问题对配电网的稳定与经济运行具有重要意义。本文通过利用网络节点电压、风光电源出力等数据对核极限学习机进行训练学习,构建了基于核极限学习机的容量选择模型,并利用均方根误差对模型精度进行评估。采用IEEE33节点系统作为算例进行仿真,给出满足总投资成本和网络损耗最小的容量配置结果,引入电压稳定性评价指标对结果进行评估,并与支持向量机、遗传算法和粒子群算法获得的结果进行对比分析,验证了所提模型和方法的可行性和有效性。     

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于典型气象周的GRNN光伏发电量预测模型

由于光伏发电量具有波动性,且现有的光伏发电量预测技术存在气象因素考虑不全面、特征提取不充分等问题,为提高光伏发电量预测精度,文中提出一种改进的典型气象年方法(TMY Method)生成典型气象年数据,并结合广义回归神经网络(GRNN)进行光伏发电量预测。首先,选择6种历史气象指标,利用Finkelstein-Schafer统计方法选择典型气象周,并生成典型气象年数据;然后,使用因子分析法对会影响光伏发电量的气象指标进行筛选,对筛选出的气象指标和日光伏发电量进行标准化处理后,将其作为GRNN模型的初始输入量,得到预测日的光伏发电量;最后,利用江苏省南京市的历史气象数据及日发电量数据对所设计的模型进行训练和预测。结果表明,与标准TMY Method-GRNN预测方法相比,文中所提预测方法有较好的预测性能。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm,WPA）缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法（improved wolf pack algorithm,IWPA）,并通过IWPA对最小二乘支持向量机（least squares support vector machine,lSSVM）进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明：无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。