一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划和减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。首先利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,再基于神经网络将相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;然后以预测日天气预报信息作为神经网络的输入来获得预测日的功率预测值;最后基于数学量化的由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明,该方法建立的预测模型具有较高的精度,进而为调度运行人员提供决策辅助     

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。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

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BP-ANN和出力波动特性的光伏系统短期功率预测模型

目前,光伏系统出力预测在精度方面还远不能满足电力系统调度的要求,已成为阻碍光伏发展的主要瓶颈问题之一。考虑到光伏系统的高度非线性特性,难以用传统的数学模型表征其输出功率与外界条件之间的映射关系。首先以传统反传播神经网络作为建模基础,建立光伏系统出力初步预测模型,再基于由光伏系统历史出力数据统计分析得到的波动量统计规律对初步预测结果进行修正,建立了具有较高精度的光伏系统出力预测模型。进一步进行算例仿真验证,结果表明所建立的光伏系统出力预测模型能够较好地反应现场实际情况。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。     

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。     

基于Spiking神经网络的光伏系统发电功率预测

为了提高光伏系统发电功率预测的精度,本文提出一种基于Spiking神经网络(SNN)的预测模型。该神经网络采用精确脉冲时间的编码方式,更接近真实的生物神经系统,具有强大的计算能力。考虑季节类型、天气类型和大气温度等主要影响因素,该模型采用灰色关联分析法选取相似日。本文应用实际光伏发电系统的数据分别对基于SNN、BP人工神经网络(BP-ANN)和支持向量机(SVM)的预测模型进行测试和评估。预测结果表明:SNN预测模型相比于BP-ANN和SVM模型有较高的预测精度和较强的适用性,可以为光伏系统发电功率预测提供一种可行方法。     

基于相似日理论和PCAＧPSOＧBP的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于相似日理论和主成分分析(PCA)-粒子群算法(PSO)-BP神经网络的光伏发电功率预测模型.考虑不同季节下发电功率差异较大,通过灰色关联度选取预测日的相似日,采用主成分分析法对影响光伏发电功率的因素进行降维处理,利用降维后的相似日气象数据和历史发电功率数据来建立PSO-BP预测模型.试验验证,该方法与单一BP神经网络、PSO-BP预测模型相比,功率预测精度得到提高.     

基于模糊识别的光伏发电短期预测系统

随着光伏发电系统容量的不断扩大,光伏发电预测技术对于减轻光伏发电系统输出电能的随机性对电力系统的影响具有重要意义。根据光伏发电系统的历史发电量数据和气象数据,分析了天气类型、大气温度和太阳辐射强度等因素对预测结果的影响,采用神经网络对数值天气预测数据进行模糊识别,建立了基于模糊识别的神经网络发电预测模型。研究结果表明,神经网络的结构和扩展速度对预测结果有一定的影响;把数值天气预测数据进行模糊识别后作为神经网络的输入有利于提高神经网络的预测精度;设计的神经网络预测模型具有较高的精度,能够解决光伏发电的随机化问题,有利于电力系统的功率平衡和经济运行。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。