基于用户侧的光伏项目成本-效益分析

基于中国华东地区4个光伏项目的发电数据和气象数据,给出单位发电量与太阳辐射量的拟合函数,并综合项目规模、使用主体、用电比例、补贴情况、投资自有资金比例、贷款情况等各类因素对光伏项目的影响,给出用户侧的光伏成本-效益分析模型。最后调整影响光伏项目收益的各个因素,结合年均利润率指标对不同因素变动的敏感性,得出影响光伏项目经济效益的主要因素,对光伏未来的发展提出建议。     

考虑空气污染因素的光伏发电量回归分析

人类活动产生的大气污染物对到达地面的太阳总辐照和光谱分布都会产生一定影响。文章利用一座分布式电站的实测数据,通过模型回归分析的统计学方法,定量地研究了空气质量和光伏发电量之间的直接关联强度。同时,考虑了温度、风力、云量和太阳光入射角度等气象、物理参数对于光伏发电量的影响。利用该回归模型,可以根据公开气象资料对小型光伏电站的发电量进行简单预测。     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

家用并网光伏系统仿真与运行性能计算

设计了一个家用并网光伏系统并计算其年发电量以研究其运行性能。在设定指定地点地理位置并导入气象数据,并根据屋顶可用面积决定光伏阵列的排布和逆变器参数后,利用PVsyst软件对光伏系统进行模拟,并计算发电量。结果表明：所设计的光伏系统年发电量约为7 114 kW·h,发电效率为75.1%。结合调查数据发现,该光伏系统发电量超过了当地用户年平均用电量;光伏系统一年中日输出电量的变化趋势显示,光伏系统发电量高峰时的日发电量均值可达35 kW·h以上;而光伏系统发电量低谷时的日发电量均值不足20 kW·h;光伏系统各项损失在理论发电量中的占比变化趋势显示,每年6、7、8月系统的光伏阵列损失最大,其原因是夏季气温升高使得光伏阵列运行性能受到影响。该光伏系统发电量可以满足一般家庭的用电需求,且用户可以参考光伏系统发电量的变化趋势选择合理的用电方式。     

光伏发电系统精细化逐时建模方法与应用案例分析

提出了一种精细化的光伏发电系统逐时建模方法,建立了太阳辐照模型、光伏组件模型、逆变器模型、直流端部分线损模型、交流端部分线损模型、变压器损失模型及各环节损失模型,并将这些模型耦合在一起形成新的模型,可获得不同光伏支架类型情况下光伏阵列接收的逐时太阳辐照量、光伏阵列的逐时发电量、光伏发电系统的各项逐时损失、光伏发电系统的逐时并网电量等数据。在使用相同气象数据的情况下,分别利用本模型和光伏发电系统仿真软件PVsyst对位于三亚、昆明、南京、北京、哈尔滨的装机容量为24.3 kW的并网光伏发电系统进行仿真,结果显示,相较于PVsyst的仿真结果,本模型得到的光伏阵列倾斜面接收的年太阳辐照量的偏差最大值为1.01%,最小值为0.19%;年并网电量的偏差最大值为0.49%,最小值为0.04%;年系统效率(PR)的偏差最大值为0.5%,最小值为0.2%;各项损失的偏差均很小。总体而言,本模型的仿真结果与PVsyst的仿真结果相比偏差很小,具有较高精准度,可用于光伏发电系统的精细化模拟与仿真。     

基于LCOE的单面与双面双玻光伏组件经济性分析

首先引入平准化度电成本(LCOE)模型,分析了计算LCOE时合适的折现率取值;然后对典型场景下采用单面光伏组件和双面双玻光伏组件的光伏电站进行了发电量模拟;最后结合发电量模拟结果和LCOE模型,比较了典型场景下单面光伏组件和双面双玻光伏组件的经济性.此外,还对分析结果进一步拓展,得到了不同价差、不同发电量增益下的单面光...     

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。     

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。     

气象因子对光伏发电量的影响效应分析

针对华电陕西靖边光伏电站一年发电量数据和同期气象观测资料,运用相关分析、回归分析、通径分析等常用的数理统计分析方法,分析逐日光伏发电量与各主要气象因子的对应关系。结果表明:日照时数与光伏发电量的正相关关系最为密切,日照时数对发电量的单位效应量最大;最小相对湿度与光伏发电量的负相关关系最为密切;最高气温的单位效应量最小。气温对光伏电站发电量的影响较为复杂,需要进一步深入研究。     

城镇典型住宅建筑屋顶分布式光伏系统潜能分析

以中国8个地区的多层住宅建筑为例,以典型气象年数据计算光伏发电和建筑能耗,采用PVsyst软件完成分布式光伏系统设计,Energy Plus软件建立多层建筑能耗模型,以电能自治度、碳减排量和经济分析指标净现值(NPV)、效益成本比(BCR)进行分析。结果表明,昆明和拉萨分布式光伏对建筑的贡献程度最高,三亚最低;哈尔滨和拉萨碳减排收益潜能高;8个地区分布式光伏系统在不同系统配置和运行方式下经济性存在差异,但普遍选择自用比例为30%的收益最高。综上,处于Ⅱ类太阳资源区下的温和地区和Ⅰ类下的寒冷地区光伏贡献程度高,夏热冬暖地区低;在发电量较少和销售-上网电价差异较大地区光伏的系统配置及运行方式对经济性影响大。     

基于逐步聚类分析的短期光伏发电预测方法

光伏发电功率与气象因素密切相关,可靠的功率预测对光伏入网和电网安全运行具有重要意义。为提高光伏短期发电功率预测的准确率,基于某40 MW光伏电站历史功率和气象数据,在不同季节和天气类型下利用逐步聚类分析方法(SCA)搭建光伏短期预测模型,实现分季节和天气类型的光伏功率预测。模型对比结果表明：逐步聚类分析方法具有较高的预测精度,在四季、单一天气类型和复合天气类型3方面预测精度分别提高了11.13%,9.51%和8.26%。     

基于SOM聚类和二次分解的BiGRU超短伏功率预测

提出一种基于自组织映射网络（SOM）聚类和二次分解的双向门限循环网络（BiGRU）超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。     

基于小波-智能算法组合模型的光伏出力预测

光伏出力具有强非线性和非规律性的特点,因而其预测存在诸多困难。通过对光伏出力数据进行小波分解,获得其出力数据的低频与高频部分,再分别选取合适的智能算法模型预测低频和高频部分,最后将各部分加总还原为原始数据的预测值。通过对某光伏发电设备的出力数据进行预测计算,证明基于小波分解的组合预测模型在光伏出力预测方面具有较高的准确性与可靠性。     

基于GA-GNNM的极地光伏发电功率预测方法

为了更加准确有效地对极地光伏发电功率做出预测,提出一种基于GA-GNNM的极地光伏发电功率预测方法.首先对采集到的气候因素数据以及光伏发电数据中缺失、异常部分进行清洗归一化处理;通过最大相关最小冗余算法(MRMR)选择最佳的气候特征组合,构建多维气候特征数据集;并将其输入到K均值聚类算法中完成不同季节天气类型聚类划分,...     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

非晴空条件下光伏发电短期功率预测方法

针对非晴空条件下光伏发电短期功率预测精度不高的问题,提出一种基于自适应混合核的相关向量机光伏发电短期功率预测方法.通过构造混合核函数和自适应寻优核参数来增强预测模型的泛化和学习能力,建立对多尺度多模态变化数据的映射关系,实现光伏发电功率随机性波动规律的机器学习和有效捕捉.采用关联系数筛选历史相似日,通过历史相似日数据自...     

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。     

光伏发电系统功率预测方法研究综述

光伏发电大规模并网给电网的稳定运行带来巨大挑战,提高光伏发电功率预测水平对光伏能源并网安全具有重要意义。光伏发电系统功率输出具有明显的非线性、间接波动性和不确定性特点,须采用数学模型结合多尺度预测方法实现较高预测精度。针对多元线性回归算法、马尔科夫链预测、神经网络算法、支持向量机和组合预测等光伏系统输出功率的直接预测方法,及基于光伏电站精确建模的光伏系统输出功率的间接预测法,从基本思想、技术路线、适用条件和应用效果的角度进行分析与总结。当前功率预测方法主要有基于统计学的某种学习方法和组合预测方法,数据处理加工是关键因素。预测数据可用性的评估标准和预测方法的工程应用是未来研究工作的重点。     

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。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。