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。     

基于改进型比例谐振控制器的光伏发电系统最大输出功率预测方法

常规的光伏发电系统输出功率预测方法主要是对海量的发电数据进行提取,仅能够保证短期负荷的预测精 度,影响最终的预测效果,因此设计了基于改进型比例谐振控制器的光伏发电系统最大输出功率预测方法.提取光伏 发电系统最大输出功率映射特征,建立不同工况与输出功率的映射关系,确保输出功率的长期预测.基于改进型比例 谐振控制器构建稳态功率预测模型,调节光伏发电系统的输出电流与输出电压,确保最大输出功率的稳态预测.采用 对比实验的方式,验证了该预测方法的预测精准度更高,能够应用于实际生活中.     

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。     

基于功率预测的光储发电系统控制策略优化

高效的光储发电系统控制策略不仅可以提高系统的效率,还能平抑太阳能发电输出功率的波动、改善光伏发电的电能质量.提出了一种基于功率预测的光储发电系统优化控制策略.对光伏功率预测算法进行优化,将基于跟随行为的人工鱼群算法与BP神经网结合,利用基于跟随行为的人工鱼群算法优化神经网络的权值和阈值.利用优化后的光伏功率预测方法预测下一时段光伏的输出功率曲线并判断波动大小,将判断结果作为影响策略运行的主要因素之一,并根据不同的情况设计相应的工作模式.通过Matlab建模仿真,证明了优化后的控制策略能够更加有效地平抑光伏的输出波动.     

基于多元宇宙优化支持向量机的短期光伏发电功率预测

准确预测光伏发电功率对电网日常调度规划至关重要。本文提出一种基于混合改进的多元宇宙优化（HIMVO）算法优化支持向量机（SVM）的短期光伏发电功率预测模型。首先,采用基于帐篷映射的混沌序列参与种群初始化,克服传统多元宇宙优化（MVO）算法易陷入局部最优的缺点;然后,在MVO算法的位置矢量更新中,引入一种非线性惯性权值下降策略,并加入差分进化（DE）算法进行全局搜索,采用HIMVO算法对SVM参数寻优,将优化后的HIMVO-SVM算法用于光伏发电功率预测。最后,在3种不同天气类型下对某地光伏电站输出功率进行预测仿真实验,预测结果与SVM、MVO-SVM方法预测结果进行对比,验证了HIMVO-SVM方法可有效提升短期光伏发电功率预测精度。     

一种实用的超短期光伏发电预测方法

为了实现光伏发电系统发电量的在线快速预测,提高光伏并网后电网的稳定性及安全性,本文提出了一种基于相似日典型变化趋势的超短期光伏发电预测方法。通过选择相似日,获得光伏发电功率的典型变化趋势,结合线性外推方法,得到超短期发电预测数据。最后,通过实际的算法案例进行验证,表明本文所用方法具有一定的推广价值。     

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.     

一种混合储能光伏发电系统的功率预测算法

对混合储能光伏发电系统进行了优化配置,加入完善的光伏功率预测算法,可以减少储能单元深度充放电的次数,延长储能单元的使用寿命,提高系统的能量利用率.提出了基于趋势移动平均法的超短期光伏功率预测数学模型,模型以部分历史数据为输入量,通过数据处理,得出预测量可提高和改进现有光伏功率预测算法的平滑效果.通过在多云天气环境下的实验,验证了该光伏功率预测算法可以达到及时跟踪并平滑光伏波动、减小储能单元容量的功能.     

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。     

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。     

基于CatBoost算法的短期光伏功率预测方法

光伏电站发电功率的间歇性与波动性对电网安全、稳定、经济运行的影响日益明显，因此需要不断提高光伏发电功率预测准确率，为电网灵活调度与规划提供准确信息。首先，介绍了短期光伏发电功率的预测算法、特征方程、预测流程以及评价指标。接着，通过SHAP方法对训练集所构造特征进行分析筛选，使用CatBoost算法进行训练。最后，通过与使用相同特征的其他机器学习算法模型预测精度的对比，表明所提方法有效提高了预测性能，证实了基于CatBoost算法、融合多维特征的模型在光伏功率预测中的优势。     

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.     

光伏发电有功功率预测及其在电网频率控制中的应用

针对光伏发电有功功率预测准确率低的问题,提出了基于马尔科夫修正的小波神经网络光伏发电有功功率预测算法。将历史数据分为晴朗、多云等天气类型,分别进行训练,建立网络模型,再根据预测日天气预报采用不同的网络模型预测。光伏的大规模并网将会对电力系统的有功平衡造成很大的扰动,调度部门借助光伏发电有功功率的准确预测进而对自动发电控制进行超前控制可以有效降低频率的波动,减轻自动发电控制机组的调节压力。实际算例对算法进行了验证,并仿真了有功扰动下的频率恢复特性,表明了基于光伏发电有功功率预测的自动发电控制超前控制方法的有效性。     

基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中。光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间。文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性。     

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。     

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。