基于线路阻抗聚类的分布式光伏电站等效建模

为对大规模分布式光伏电站进行建模以研究其运行特性,提出一种分布式电站聚类等效建模方法。根据电站分布式结构特点,该方法将各光伏发电单元至公共连接点的等效线路阻抗列入聚类算法的聚类指标中,将各光伏发电单元聚类并将同一类中的光伏发电单元进行聚合以构建多机等效电路模型。其中,针对传统的模糊C均值聚类算法（FCM）因过度依赖初始聚类中心点而易陷入局部最优的缺点,该方法使用Canopy-FCM聚类算法进行改进,在FCM算法前用Canopy聚类算法进行预处理。最后通过RT-LAB实时仿真平台对所提聚类等效建模方法的合理性和精确性进行验证。     

中国不同气候区逐日直散分离模型适用性分析及通用计算模型优化

利用中国5个气候区59个气象台站1981——2010年的日值气象数据,对比分析8个散总比和3个散射系数直散分离模型在中国不同气候区的适用性。采用判定系数（R2）、均方根误差（RMSE）、平均绝对误差（MABE）、平均误差（MBE）和全局性能系数（GPI）5个误差评价指标,确定各气候区最适宜的模型形式。以该模型为基础,建立适用于中国不同气候区的散总比和散射系数逐日直散分离通用模型。结果表明,除线性形式散射系数模型精度较差外,其他模型计算精度均较高,散总比和散射系数模型平均R2分别为0.85和0.62;基于晴空指数-日照百分率的二次多项式散总比模型和基于日照百分率三次多项式散射系数模型在不同气候区精度均最高;以该模型为基础建立中国不同气候区散总比和散射系数逐日直散分离通用模型,其平均R2分别为0.89和0.70。     

辐射对太阳电池光电输出性能影响的定量研究

该文定量研究电子和质子辐射对太阳电池输出特性的影响。首先,证实作者前期工作得到的太阳电池输出电流-电压（I-V）模型仍适用于高能粒子辐射后的太阳电池;其次,由太阳电池输出电流-电压特征量定义一个等效电阻（Req）。采用最小二乘方曲线拟合方法,找到能够定量描述太阳电池能量转化效率（PCE）与等效电阻（Req）的关系,并且定量解释了经历电子和质子辐照的太阳电池的等效电阻（Req）同辐照剂量的关系。最后,扩展这个模型用于定量描述太阳电池外量子效率（EQE）与入射光子能量（hν）的关系,经拟合验证,该模型与实验数据十分吻合,理论同实验结果的相关系数R大于0.98,平均相对误差（ARE）小于3%。     

基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏发电量预测

针对光伏发电量研究中传统单一模型预测误差大、特征数据少、深层神经网络模型出现梯度爆炸或消失的问题,该文提出一种基于多特征融合和XGBoost-LightGBM-ConvLSTM(XG-LG-CL)的短期光伏发电量预测模型。首先,分析影响光伏发电的相关因素,采用光伏领域特征融合和高阶特征融合方法将原有11个有效特征增加至62个有效特征;其次,分别建立XGBoost、LightGBM和ConvLSTM模型提取时空特征;最后,利用自适应权重法混合3种模型进行发电量预测。结果表明,该模型在光伏发电实测数据实验中,预测准确率为88.4%,与现有预测方法相比提升了3.1～8.6个百分点,可精确地预测光伏发电量,为电网稳定运行提供有效数据支撑。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

数据驱动的风电机组偏航参数适应性优化

为了增强风电机组偏航系统自适应水平,提升风能利用率,提出一种基于K近邻聚类（KNN）算法风电机组偏航控制参数优化方法。为准确描述风向变化,建立改进Weibull概率分布建立风向评估模型,即以风向波动的幅值（A）和波动持续时间（T）作为风况的数据标签来描述风向。对比风电机组不同偏航参数下的运行数据确定聚类中心（已知风况下的最佳偏航参数）,通过基于KNN算法的风电机组偏航控制参数优化模型,得到不同风况下风电机组最佳的偏航参数。通过对风电机组运行数据进行算例分析表明,该方法高风速时可提升风电机组发电效率,并在低风速时减少偏航启动次数。     

神经网络短期光伏发电预测的应用研究进展

准确的太阳能发电功率短期预测是保证电力调度和大规模光伏并网的关键。该文对近年来光伏发电功率短期预测研究进展进行综述,并对影响光伏发电功率的各种气象因素进行相关性分析。针对用于光伏发电短期功率预测的人工神经网络模型和深度学习模型进行总结和评述。太阳辐照度是影响预测模型精度的主要气象参数。在光伏发电功率短期预测中,神经网络及其组合模型均表现出较好的预测精度,但组合模型整体上优于单一预测模型。     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

计及相似日的LSTM光伏出力预测模型研究

为了提高光伏电站输出功率的预测精度，该文构建基于灰色关联度分析法（GRA）和长短期记忆神经网络（LSTM）的光伏发电组合预测模型。在运用GRA方法确定影响光伏出力的主要气象因素和选定待预测日的相似日的基础上，利用相似日的气象参数和实际发电量分别训练BP神经网络和LSTM神经网络，构建基于GRA的光伏出力智能预测模型，并在云南某光伏电站得到很好的应用。对比传统的单一预测模型和BP神经网络与GRA的组合模型，考虑相似日的LSTM预测模型的精度明显提升，可很好地满足相关要求，具有广阔的应用前景。     

考虑实时SOC与动态循环效率的电池损耗评估及储能定容策略

笔者提出一种高精度电池寿命损耗评估模型,该模型能充分挖掘厂家提供数据中的有效信息,从而建立起动态循环效率、放电深度（DOD）与实时荷电状态（SOC）应力等因素之间的映射关系。同时,针对采用更精细化的储能模型所引入的非线性项,提出一种基于滚动McCormick松弛方法的优化求解算法,该算法可将原本包含混合整数非线性规划问题转化为混合整数线性规划问题,从而实现优化问题的数值化求解。最后,通过算例证明所提出的精细化电池寿命模型与滚动McCormick求解算法的合理性和优越性。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型。首先,基于偏最小二乘（PLS）提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型。使用某地区光伏电厂运行数据验证,结果证明,所提XGBoost联合模型预测精度更高,泛化能力更强,并且对噪声数据具有较强的抵抗能力。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。     

基于信息熵变权区间组合和边界逼近的短期光伏功率区间预测

针对现有的区间预测在满足高覆盖率的同时区间宽度存在过宽的问题，提出一种基于信息熵变权区间组合和边界逼近的短期光伏功率区间预测方法。首先，对历史天气数据特征进行特征重组，并基于套索交叉的递归特征消除（LassoCV-RFE）算法对重组后的特征进行筛选。然后，采用动态贝叶斯网络模型和基于卷积长短期记忆网络的改进分位数回归模型（CNNLSTM-QH）分别预测光伏出力的置信区间，根据信息熵进行区间变权组合。最后，结合区间覆盖率和区间宽度指标，构建边界逼近函数和惩罚边界，对两个预测结果加权组合后的区间进行边界逼近。仿真结果表明：相比于一般的单一模型方法，所提方法能在95%、90%和85%的置信水平下分别减小21.86%、16.67%和14.93%的平均区间宽度，同时区间覆盖率也能满足对应的置信度要求。