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。     

基于双层Elman神经网络的光伏发电功率预测

随着光伏发电规模的不断扩大,光伏发电的波动性对其接入电网带来了很大挑战。文章在光伏发电功率影响因素研究的基础上,提出了一种基于双层Elman神经网络的光伏发电功率预测模型,利用历史辐照度数据、相关气象因子及天气预报数据进行功率预测。仿真分析表明该模型具有良好的预测效果。     

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.     

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。     

模型与数据混合驱动的分布式光伏超短期功率预测

针对光伏短期预测不能考虑云团因素以及云团移动机理建模复杂的问题,对模型与数据混合驱动的分布式光伏超短期高精度功率预测方法进行研究。首先,采用深度神经网络模型,实现辐照度和温度与光伏功率的高精度拟合;其次,基于区域多个分布式光伏电站的实际监测数据,建立数据驱动的云团遮挡判别模型;最后,结合云团遮挡情况及其移动态势对邻近电站的影响分析,实现分布式光伏超短期功率的精准预测。依托国内某区域多个分布式光伏电站历史数据进行算例分析,仿真结果验证了所提分布式光伏超短期功率预测方法的有效性和实用性。     

基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

考虑混沌特征的增强型大脑情绪神经网络光伏发电功率超短期预测模型

为进一步提高光伏发电功率超短期预测的准确度,根据光伏功率时间序列固有的非线性混沌特征,提出一种基于改进粒子群优化(improvedparticleswarmoptimization,IPSO)算法和增强型大脑情绪神经网络(enhanced brain emotional neural network, EENN)的光伏发电功率超短期预测模型。首先,利用非线性变换将光伏功率序列的隐含信息特征投射至高维相空间,获得反映吸引子轨迹的新数据空间;随后,为提高模型的超短期预测能力,通过考虑系统在空间中连续吸引子轨迹的非线性几何特征,利用EENN模型建立高维空间中的数据映射关系,并采用IPSO算法实现对EENN模型中所有权值和阈值的迭代优化,以提高EENN模型的数据挖掘和预测能力;最后,基于实测光伏发电功率数据进行单步预测以实现对所提模型的有效验证。算例分析表明,所提预测模型具有比传统模型更好的预测效果,有效提高了光伏功率超短期预测的准确度。     

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ANFIS模型的光伏电站辐照度超短期预测

辐照度是影响光伏(PV)电站发电量最重要的气象因素。提出了一种新的基于自适应模糊推理系统(ANFIS)的辐照度超短期预测方法。首先,利用地外辐照度理论值来对历史观测辐照度时间序列值进行归一化处理,形成输入输出样本对后利用ANFIS模型建模;然后,采用减法聚类确定ANFIS模型的规则数和初始参数,并采用反向传播算法和最小二乘法优化模糊模型参数;最后,通过循环预测法实现对未来4h的辐照度预测。基于MATLAB的实验结果验证了该方法具备良好的预测精度,从而为发电功率的超短期预测提供了可行的解决途径。     

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。     

地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型

光伏功率由于受到诸多局地随机突变因素的影响,其超短期预测面临很大挑战。云是引起地表辐射随机变化,进而引起光伏出力随机变化的最主要因素之一,在光伏功率预测建模中亟需将云这一因子进行量化和建模。首先,基于全天空云图,利用数字图像处理技术提取与辐射相关的图像特征;然后,将大气层外辐射、大气质量、图像亮度和云量作为输入因子,将地表辐射作为输出,建立径向基函数神经网络预测模型;最后,根据光电转换模型最终实现光伏功率超短期预测。实验结果表明:计及地基云图信息的光伏功率超短期预测模型,效果明显优于无图像信息的模型,为光伏电站超短期功率精确预测提供了重要的方法。     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

基于改进麻雀搜索算法优化支持向量机的短期光伏发电功率预测

为了提高光伏发电功率预测的可靠性与准确率,提出一种基于改进麻雀搜索算法（tSSA）优化支持向量机（SVM）的短期光伏发电功率预测模型。首先采用自适应t分布增强麻雀搜索算法的种群多样性,然后利用tSSA针对SVM中的惩罚参数和核函数参数进行优化,在得到最优惩罚参数和核函数参数的情况下对光伏发电功率进行预测。对澳大利亚某光伏电站一年内的数据分析发现,每个季节的光伏发电功率有明显的不同。为此,充分考虑外界环境参数如辐照度、湿度、温度、风速和风向的影响,基于tSSA-SVM模型对不同季节的某一天做光伏发电功率预测。仿真结果表明,该模型具有较高的预测精度,特别是对秋、冬季节的光伏发电功率预测更为准确,具有较高的实用价值。     

基于云图特征自识别的光伏超短期预测模型

光伏电池超短期输出功率变化的主要原因来源于云层的无规则运动,会在1～2min的时间尺度内显著地影响输出功率,因此提出了天空云图预测方法提高光伏超短期功率预测的准确性。首先,采用云层灰度鉴别对云图提取云形状、云透射率等信息。然后,通过云点跟踪对云运动进行还原,得到云层的位移和速度等信息。接下来提出了云图特征联想和长短期记忆(cloudfeatureassociation-longshort-term memory,CFA-LSTM)模型,通过在LSTM模型中加入图像特征联想(cloud feature association,CFA),从而将光伏超短期输出功率与天空云图关联起来。最后基于云增强现象(cloud enhancement model,CEM),提出了由晴空辐照度作为标准的CEM-LSTM切换模型。实验证明,CEM-LSTM切换模型在全气候条件下不仅可以满足光伏超短期功率预测高精度的准确性需求,还可以满足光伏超短期功率预测高精度、高稳定性的可靠性需求,为光伏电站的高效经济运行提供了可能。     

组合数值天气预报与地基云图的光伏超短期功率预测模型

为减轻光伏电站被云团遮挡导致发电功率突然衰减所造成的影响,提高光伏超短期的预测精度和预测有效时间长度,文中提出数值天气预报与地基云图相结合的光伏超短期功率预测模型。该模型首先基于临近晴空工况光伏超短期功率预测方法实现未来4h预测,接着使用数值天气预报云量信息和地基云图等方法预测未来4h内云团遮挡电站导致的功率衰减,并进行临近校正,以提高光伏超短期功率预测的精度。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了一种方法。     

基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于径向神经网络的光伏发电功率预测方法研究

光伏发电输出功率具有明显的随机性和不确定性,大规模光伏并网会影响电网系统的安全、稳定运行。因此,对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础,分析得到光伏发电过程中各个影响因素与输出功率的秩相关度,并将相关度最高的影响因素作为预测系统变量输入,建立基于RBF神经网络的预测模型,对光伏发电的功率进行预测研究,通过变量和输出量的历史数据对RBF进行训练与预测。     

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。