共查询到19条相似文献,搜索用时 843 毫秒
1.
2.
3.
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. 相似文献
4.
为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。 相似文献
5.
6.
7.
为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。 相似文献
8.
分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法(PSO)和带扩展记忆粒子群优化算法(PSOEM)这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。 相似文献
9.
《广东电力》2017,(1)
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。 相似文献
10.
11.
当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。 相似文献
12.
针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。 相似文献
13.
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。 相似文献
14.
为提高光伏系统发电功率预测精度,优化系统的发电计划,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。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,基于神经网络用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;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于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精度,能够为调度运行人员提供决策辅助。 相似文献
15.
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。 相似文献
16.
为解决风光互补并网发电功率预测问题,针对前馈(BP)神经网络容易陷入局部最优而导致预测精度降低的问题,提出了一种自适应樽海鞘算法(ASSA)优化BP神经网络的风光互补并网发电功率预测模型。首先,在标准的樽海鞘算法(SSA)中引入动态权重策略和变异算子构建ASSA。其次,引入BP神经网络算法,构建BP神经网络的风光互补并网发电功率预测模型。最后,通过ASSA算法优化BP神经网络的权值和阈值,提出ASSA-BP的风光互补并网发电功率预测模型。仿真结果表明,利用ASSA-BP模型预测发电功率数据的相对误差小于BP模型预测数据的相对误差。ASSA-BP和SSA-BP的模型平均绝对误差数值更小,ASSA-BP模型的平均绝对误差最小,ASSA-BP模型的预测稳定性最强。该预测模型较传统风光互补并网发电功率预测方法有更高的精确度。 相似文献
17.
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。 相似文献
18.
考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。 相似文献
19.
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。 相似文献