基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于Kalman滤波和BP神经网络的光伏超短期功率预测模型

随着光伏电站规模不断扩大,提高光伏发电功率预测精度,将对电网的稳定运行有很大帮助。然而,光伏发电最重要的影响因子辐照度受云量影响很大,随机性很强,特别当多云的时候,变化更是很快速、剧烈,这给光伏超短期功率预测带来困难。为此,本文提出一种基于Kalman滤波和反传播(back propagation,BP)神经网络的光伏超短期功率预测模型,采用地外辐射和Kalman滤波估计辐照度,温度和湿度预测值则通过持续预测法获得,再将这三者作为神经网络的输入来预测未来15min的光伏发电功率。最后,采用连续三日的实际数据验证了本文提出模型的可行性。     

基于自组织映射的改进 BP 神经网络短期光伏出力预测研究

针对光伏发电出力随机波动给电网调度造成困难这一问题,提出了一种基于SOM-PSO-BP的模型对光伏有功功率进行短期预测,用于提高电网对可再生能源的调度能力。首先采用自组织映射对原始数据组进行聚类降维;接着使用粒子群算法对BP神经网络的权重和偏置矩阵进行寻优;然后利用训练集构造SOM-PSO-BP预测模型;最后在对比仿真中验证了所提方法的有效性。     

基于相似时段的分时段光伏出力短期预测

针对历史气象数据较少、天气波动较大时光伏出力预测精确度较低的问题,提出一种适用于小样本和多种天气下的分时段光伏出力综合预测法。该方法结合了分时段神经网络模型和相似时段筛选法,将分时段神经网络模型作为相似时段筛选法在相似度不够时的补充:分时段神经网络模型利用光伏出力历史数据对预测模型进行训练,采用近相似时段神经网络进行预测,摆脱了历史气象数据的制约。多种气象条件下对光伏出力的训练与预测验证了所提方法的有效性。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

基于地基云图的光伏功率超短期预测模型

以地基云图采集设备提供的实时日间彩色天空状况图像为研究对象,通过数字图像处理技术对时间序列图像进行了处理和分析,运用云团提取算法和跟踪学习算法实现对云团未来运动状况的预估,结合一天中太阳在云图像上的位置计算,预测未来时刻太阳的遮挡情况,进而预测辐照度和光伏功率的变化。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了方法。     

基于RF-ANFIS-PSO组合超短期光伏功率预测模型

光伏发电受到光照强度、环境温度和湿度等多方因素影响与制约,具有波动性、间歇性、不确定性以及能量密度低等特征,并网后会对电网造成一定程度的冲击。因此,准确预测光伏输出功率对于维护电网安全稳定运行、电网调度合理化和降低电网运行经济成本均具有重要意义。文中采用随机森林、自适应神经模糊推理算法以及粒子群优化算法进行数据训练和模型优化,搭建了一种超短期光伏发电功率预测的组合模型。通过内蒙古地区某光伏发电站的实际输出功率与RF-ANFIS-PSO模型预测结果比对,验证了其准确性和有效性。     

考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法

为了提高光伏出力短期预测精度,提出了一种考虑空间相关性采用长短期记忆LSTM(long short-term memory)神经网络的预测方法。该方法首先在周边光伏电站中依据光伏序列的延迟相关性选取参考电站,在此基础上,依据光伏出力随机性部分持续时间的概率分布,分时段对其进行空间相关性分析,选择与目标电站相关性较强的光伏序列;然后,结合目标电站气象数据的主成分分析结果和历史光伏数据,构建LSTM神经网络模型;最后,通过仿真实验分析验证了所提预测方法的有效性。     

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型

光伏功率由于受到诸多局地随机突变因素的影响,其超短期预测面临很大挑战。云是引起地表辐射随机变化,进而引起光伏出力随机变化的最主要因素之一,在光伏功率预测建模中亟需将云这一因子进行量化和建模。首先,基于全天空云图,利用数字图像处理技术提取与辐射相关的图像特征;然后,将大气层外辐射、大气质量、图像亮度和云量作为输入因子,将地表辐射作为输出,建立径向基函数神经网络预测模型;最后,根据光电转换模型最终实现光伏功率超短期预测。实验结果表明:计及地基云图信息的光伏功率超短期预测模型,效果明显优于无图像信息的模型,为光伏电站超短期功率精确预测提供了重要的方法。     

基于BP神经网络-马尔科夫链的光伏发电预测

为了减少发电量随机性对电力系统的影响,需要对发电功率预测进行研究。通过分析影响光伏发电功率的因素,基于BP神经网络理论,在Matlab软件中建立预测模型,实现了对输出功率的短期预测,并给出了基于马尔科夫链的改进预测精度的方法。     

基于微源控制-小波神经网络的微网功率预测

针对可再生能源发电具有功率周期变化与对环境敏感的双重性,提出将微源控制(MSC)用入分布式电网功率预测的小波神经网络模型学习算法。该算法在灵活处理功率局部与周期特性的基础上,结合环境因素对功率变化的影响,引入关联因子优化权重,得出最终预测结果。通过对实际微网系统的仿真测试,并与BP神经网络与GRNN模型进行比较,研究结果表明：MSC-WNN模型在三次测试中相对误差均在-1%-1%以内,说明了其具有较高预测精度和良好的鲁棒性能。     

一种并网型光伏电站光功率及发电量预测的方法

通过实测光伏电站所在区域主要气象参数和光伏电站电气参数,应用BP神经网络算法建立光伏电站数学模型,形成预测样本数据库,不断与历史数据、历史曲线、历史预测结果进行对比与改进,以实现较小的误差预测。光伏电站光功率及发电量预测,有利于提高电网接纳光伏发电的能力,促进电网对不稳定可再生能源的接纳和消化。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

MATLAB软件在电力负荷预测中的应用

以北京市朝阳区2001至2005年各月的电力需求实际数据为样本,利用MATLAB软件的神经网络工具箱对朝阳区2006年各月的电力负荷进行了预测。随后,根据2006年调研的部分实际负荷,对预测数据的相对误差、绝对误差进行分析。     

光伏发电出力的条件预测误差概率分布估计方法

光伏发电出力的可预测性较低,相比点预测而言,光伏发电出力的概率性预测能够提供更多的信息,有利于电力系统的安全经济运行。提出了一种基于Copula理论的光伏发电出力的条件预测误差分布估计方法。采用Copula函数对光伏实际出力与点预测的联合概率分布进行建模,实现了任意点预测对应的光伏实际出力的条件概率分布的估计。针对天气状况,对光伏预测精度影响较大的实际情况,采用聚类的方法按天气类型将历史数据进行分类,针对每类天气类型的光伏预测误差分别进行建模以提高预测误差估计的准确度。以2014全球能源预测竞赛(GEFC 2014)中的光伏出力数据进行了实证分析,验证了所提出方法对光伏出力条件预测误差估计的有效性,结果表明提出的方法在校准性和锐度方面均优于常用的正态分布的预测误差估计方法。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。