一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

考虑大规模光伏电站接入的电力系统旋转备用需求评估

光伏发电系统出力的随机性与间歇性,使得电力系统的运行风险在大规模光伏电站并网后迅速增加,传统的旋转备用需求评估方法已经不能满足含光伏电站的系统运行要求。文中建立了太阳辐照度和光伏发电系统出力的概率分布模型,并采用拉丁超立方采样模拟光伏发电系统的出力场景;利用基于Huffman树的改进K-means聚类算法对光伏发电系统的出力场景进行有效聚类,在保证光伏发电系统出力分布特性的前提下减少了场景数量;在此基础上,提出了考虑大规模光伏电站接入的电力系统旋转备用需求评估模型,以系统综合运行费用最低为目标,兼顾了运行的经济性和可靠性。基于改进的IEEE-RTS 96系统,对所提模型进行了仿真分析,算例结果验证了模型的合理性和有效性。     

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。     

空气质量监测数据驱动的光伏发电多尺度功率预测方法

近年来频繁出现的污染天气使光伏发电中太阳辐照度随空气质量出现较大变化,对光伏发电功率预测产生较大影响。对此,本文基于空气质量监测数据与气象数据,建立了气溶胶光学厚度（AOT）的光伏发电功率预测软测量模型,采用双波段大气辐射传输模型计算太阳辐照度,以日前与日内的空气质量预报信息为驱动数据,提出了一种多时间尺度的光伏发电功率预测方法,并基于此开发了光伏发电功率预测软件进行试验验证。结果表明,本文方法能够有效反映污染天气对辐照度的影响,实现对光伏发电功率的准确预测,该光伏发电功率预测软件具有较好的工程应用价值。     

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。     

基于集对分析理论的太阳辐照度区间预测

太阳辐照度区间预测是光伏发电区间预测的基础。然而我国现在并未开展太阳辐照度的区间预测,为了更好地掌握气象信息,给光伏出力预测提供更多数据支持,提出一种基于集对分析理论的太阳辐照度区间构建方法。在经过数据预处理、主成分提取后,分别建立相似日辐照度与主因素集对、相似日主因素与待预测日主集对计算相似日主因素与待预测日主因素的同异反距离模型并进行计算,最后使用覆盖率评价方法的效果。实例表明了所提方法的有效性。     

碳交易环境下含大规模光伏电源的电力系统优化调度

光伏发电不消耗化石能源,无碳排放,是电力工业低碳化的有效途径。光伏发电出力具有很大的随机性与间歇性,大容量接入给电力调度带来了新的不确定因素。文中基于低碳经济理念,将碳交易机制引入电力系统经济调度;建立了太阳辐照度和光伏发电出力的概率分布模型,并采用基于Kantorovich距离的场景削减技术对光伏发电出力场景进行有效削减;在此基础上构建了考虑大规模光伏电源接入和CO2排放经济价值的电力系统优化调度模型,模型兼顾了系统运行的经济性、低碳性和可靠性。利用该模型对10机系统进行了算例仿真,结果验证了所提出模型的合理性和有效性。     

光伏电站功率预测及其在电力系统中优化规划

光伏发电具有随机性和不确定性,太阳辐照度和温度会影响光伏出力。基于光伏系统历史记录资料,采用改进BP神经网络算法对光伏电站进行间接短期功率预测。该改进算法通过不断调整学习率来调整网络收敛速度,避免陷入局部最小;综合考虑电力系统的经济性与环保性,建立了以系统综合发电成本最小和污染物排放费用最低的综合单目标优化模型;并采用改进BCC优化算法对包含光伏电站的10机电力系统进行优化。算例分析结果表明,改进BP神经网络算法能准确预测太阳辐照度,且改进BCC算法能有效解决优化问题,该优化模型的合理性与有效性也得到验证。     

考虑光照概率性的含光伏发电系统的配电网无功优化

针对含光伏(photovoltaic,PV)发电系统配电网无功优化的特点,将PV发电系统无功调节能力和传统无功调压手段相结合,研究考虑PV发电系统无功出力的配电网无功优化模型和算法。针对PV发电系统出力受太阳辐照度影响的特点,建立基于太阳辐照度β分布的PV发电系统出力概率模型,分场景计算其出力情况和对应无功功率极限,以网损最小和节点电压越限惩罚作为目标函数;同时提出基于免疫蛙跳算法的无功优化算法,该算法通过在混合蛙跳算法(shuffled frog-leaping algorithm,SFLA)的框架引入克隆选择算法(clonal selection algorithm,CSA),在蛙群混合后选择较优解进行克隆、变异和选择,克服了SFLA局部搜索能力弱的特点;最后利用改进IEEE-33节点系统作为算例仿真分析,验证了模型及算法的正确性和有效性。     

用人工神经网络方法计算太阳光谱辐照度分布

针对传统太阳光谱辐照度分布计算模型计算速度慢,需要大量气象参数等问题,提出了一种基于人工神经网络(ANN)算法模型计算特定气象参数下的太阳光谱辐照度分布的方法。首先将数据集通过Mini-Batch-Kmeans算法聚类并标签化,利用Python平台搭建ANN算法模型并对数据集进行训练,从而获得该气象条件下的太阳光谱辐照度分布。结果表明,相对于其他机器学习算法模型,提出的ANN算法具有更好的误差评估参数表现以及更稳定的预测性能。此预测模型可运用于光伏器件的输出性能参数的计算,为光伏组件实际应用中预测发电量输出和性能评估提供了便捷工具。     

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。     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

光伏发电功率的智能预测算法

光伏发电系统的出力具有强烈的波动性,为了减轻其对电网的冲击,有必要进行光伏出力预测。提出了一种基于灰色关联度分析（gray relational analysis, GRA）和最小二乘支持向量机（ least square support vector machine , LSSVM）方法对光伏出力进行预测,该方法是传统直接预测和间接预测方法的结合,分析了辐照度、天气类型等对光伏输出功率的影响。通过GRA选择训练样本,使样本更全面地反映预测日的天气属性;然后运用LSSVM提前24 h预测输出功率,利用天津市太阳能光电建筑示范项目的实测数据对该预测模型进行了测试与评估,算例结果表明,所提出的GRA-LSSVM的预测方法具有较高的预测精度。     

环境因素影响下的光伏系统出力特性分析

光伏系统出力随环境变化而呈现出随机波动性对于光伏系统的并网造成了影响,因此研究光伏电站在环境因素影响下的出力特性对于提高光伏电站的运营管理水平和接入电网水平具有重要意义。通过分析光伏发电工作原理,构建了阵列工程数学模型,明确了影响系统出力的环境参数。对不同典型日下的光伏系统出力特性进行分析,并对各环境因素和光伏系统出力进行相关性分析和光伏系统的效率计算,得到环境因素对光伏系统出力影响。结论为太阳辐照度对光伏系统出力的影响最大;电池板温度对光伏系统出力的影响次之;空气湿度对光伏系统出力有影响,但可忽略。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

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。     

考虑系统调峰特性的风光消纳优化

由于风电和光伏发电受自然因素的影响较大,其出力具有随机性和波动性,将对系统的调峰能力造成严重影响。该文首先针对风电自身的出力特性,从系统调峰能力的角度对区域电网可以接纳的风电容量进行评估;然后根据风电和光伏发电在时间尺度上存在的互补性,建立以系统失负荷率最低和弃风、光率最小为目标的优化模型,利用改进惯性权重的粒子群算法对模型进行求解,得到最优的风电和光伏发电出力。最后,利用实际区域电网风电、光伏发电以及负荷的历史数据对该文所提方法的有效性进行验证,结果表明采用风光互补优化策略对风电和光伏发电的输出功率进行优化后,系统出力波动有所降低且消纳能力有明显提升。     

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.     

光伏发电出力预测技术研究综述

准确的光伏发电出力预测对于保障高比例光伏接入后系统的安全稳定与经济运行具有重要意义。目前我国对于光伏发电出力预测技术的研究尚处于广泛研究阶段,本文对光伏发电出力预测技术的研究成果进行归纳总结。首先,分析光伏发电系统的发展及预测现状;然后,从点预测、区间预测和概率预测三个方面,分别对当前的预测方法及技术、预测效果的衡量指标等进行了梳理、归类、总结和评述;最后,根据目前我国光伏产业的现状及发展趋势,探讨未来光伏发展及出力预测的研究方向。