光伏出力预测理论与方法综述

大规模光伏发电并网给我国电力系统运行的稳定性带来了巨大挑战,因此,光伏发电出力的精确预测至关重要。论文对光伏出力预测理论与方法进行系统综述。首先,对光伏出力预测进行分类,特别是按预测形式分为点预测和不确定性预测。其次,通过物理方法、统计方法、人工智能方法及组合方法进一步阐述光伏出力预测;其中从机器学习和深度学习两个方面对人工智能方法进行详细介绍。然后,梳理了点预测和不确定性预测的评价指标,归纳了人工智能预测模型的优化技术。最后,根据我国光伏出力预测的发展现状,对未来的研究趋势做出展望。     

基于生成对抗网络的光伏出力区间预测方法

准确的光伏出力(即发电功率)预测是光伏发电设备规模化并网后,保障电网的安全性和经济性的基础.针对传统点预测方法难以表征预测结果概率可信度的问题,研究了基于条件生成对抗网络的光伏出力区间预测方法.通过建立历史测量数据与预测光伏出力间的映射关系,生成光伏出力可能发生的场景.在此基础上,用Bootstrap法和区间估计法计算...     

光伏发电发展状况分析与探讨

由于光伏发电具有清洁无污染、可再生等点,光伏发电的装机越来越多.本文分析了我国太阳能分布和光伏发电的现状,探讨了光伏发电的优缺点,并对光伏发电的发展前景进行了预测.     

基于置信度校验的新能源多厂站互补优化

针对新能源厂站发电的不确定性,以同时含有光伏电站和风力发电场的电力系统为研究对象,提出一种基于置信度校验的新能源多厂站互补优化方法。以降低备用需求、提高经济效益为目标建立新能源多厂站不确定性互补优化模型;使用粒子群优化算法结合内点法对优化模型进行求解,得到风电及光伏最优出力;为满足互补优化模型中的不确定性约束条件,对求得的最优出力进行置信度校验。采用所提互补优化方法在MATLAB环境下编程,对安庆地区电网2020年的新能源出力情况进行优化。结果表明:利用本文所提互补优化方法可对新能源出力进行优化,新能源出力最大提高159%,备用容量最大降低100%,经济效益提高69%,从而验证了所提互补优化方法的有效性。     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.     

多运行目标下的分布式光伏接入配电网极限容量多模型评估方法

作为异构能源的重要组成之一,分布式光伏电源并网运行时由于其出力的随机性、波动性等特性,对传统配电网络的安全稳定运行构成了较大程度的冲击和威胁;同时,随着发电容量的进一步提升,配网接纳分布式光伏电源的能力将成为主要制约因素。为此,在兼顾多运行目标的前提下,构建多模型学习方法,设计并整合光伏出力变化预测模型、负荷分布预测模型以及配网接纳分布式光伏极限容量评估模型,全过程分析光伏接入对配网运行产生的影响。构建Elman神经网络模型,确保光伏发电出力变化的预测精度;建立BP神经网络模型,在保障配网负荷时间、空间分布预测精度的同时,兼顾预测效率;在多约束条件下,基于PSO模型提出针对分布式光伏发电最大准入容量的优化模型,实现配网接纳分布式光伏发电极限的准确评估。实例结果表明,所提出方法可为配网安全稳定运行提供保障,并能够为配网接纳分布式光伏发电极限容量提供规划参考。     

基于GBDT和SVM的光伏发电出力预测研究

梯度提升决策树（GBDT）和支持向量机（SVM）是预测光伏出力的两种常用算法。分析了光伏发电出力的影响因素,介绍了GBDT算法和SVM算法的原理,以及基于两种算法的光伏出力预测模型的流程,并进行对比分析。实验结果表明,基于GBDT算法的光伏出力预测模型的平均绝对相对误差和均方根误差都较小,预测效果更好。     

太阳能光伏并网系统发电量预测方法

光伏发电受天文、气象、环境及自身组件特性的影响,发电功率的变化具有周期性和不确定性.并网光伏发电系统发电量的准确预测,可减小光电功率对电力系统安全、可靠运行的不良影响.国内外现有光伏发电量预测模型包括原理预测模型、统计预测模型、智能预测模型和基于不确定理论的预测模型等.通过分析太阳能光伏发电量预测研究状况和太阳能总辐射量预测的一般方法,总结了光伏发电量预测的现有预测模型的优缺点和适用范围,并对不同方法相互结合的组合预测法进行了展望.     

考虑多重出力不确定性的风光装机容量优化

挖掘风电和光伏出力的日特性和月特性,构建基于日特性和月特性的风电/光伏序列模型,通过蒙特卡洛模拟方法,生成多条风电和光伏出力序列,以刻画风/光出力的多重不确定性。考虑风电和光伏多重不确定性出力约束、电力电量平衡约束、允许弃风弃光率约束等,构建风电和光伏收益最大模型,优化风电和光伏装机,保证风电和光伏运行的经济性,实现风电和光伏有序发展。仿真算例表明,在不同的允许弃风弃光率下,风电和光伏的最优装机差异较大,受光伏日特性和装机成本高的影响,只有在弃光率较小且光伏装机容量小的场景下,光伏发电才具有较好的经济效益。     

考虑需求响应的光伏发电系统两阶段随机调度模型

西北地区光伏发电比例的不断上升,为电力系统调度带来了巨大的困难和挑战.为此,将需求侧响应作为虚拟备用来克服传统调度备用形式单一的劣势;采用基于不确定性参数模糊化的两阶段随机模型,在充分考虑光伏发电出力的随机性与波动性的基础上充分体现了机侧备用与虚拟备用的经济特性,建立了基于预测误差场景概率的高比例光伏发电系统需求侧联合调度模型;采用细菌群体趋药性算法进行求解,以经典的6机系统和实际西北光伏发电系统作为研究对象进行了仿真分析,从而证明了所提调度模型的有效性以及可行性.     

太阳能光伏发电功率短期智能预测方法

随着能源危机的加剧,太阳能光伏产业日益受到关注。而太阳能光伏发电功率存在波动性和随机性的特点,为减轻其对电网的影响,进行光伏出力预测是解决这一问题的基本途径。文章针对短期光伏预测中存在的计算量大、预测精确度低等难题,在对现场数据进行采集、处理与定量分析的基础上,基于改进的超闭球神经网络(Improved hyperball CMAC,IHCMAC)理论,提出了短期智能预测算法并对其加以改进,利用采集的气象参数、光伏发电数据,构建了光伏发电功率预测模型,并通过性能评价验证了该算法的有效性。     

风光出力场景生成的条件深度卷积生成对抗网络方法

针对多能源电力系统中给可再生能源消纳和系统优化调度带来不利影响的风电和光伏发电功率的不确定性的问题,提出了一种基于改进条件深度卷积生成对抗网络的风光出力场景生成方法.首先,设计适用于风电和光伏出力场景生成的条件生成对抗网络的网络结构,并采用Wasserstein距离作为判别器损失函数.然后,通过条件生成对抗网络的博弈训练使生成器学习到随机噪声与真实历史数据训练集的映射关系,从而高效地生成与真实场景分布接近的场景.最后,利用我国西北某省的风光历史出力数据进行测试,并与基于Markov和Copula理论的场景生成方法进行对比验证,结果表明文中方法生成的场景能够准确地描述可再生能源出力的不确定性.     

一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法

由于具有间歇性、波动性和随机性的特点,光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行.因此,开展区域光伏功率预测能够为调度部门提供电源出力参考信息,以合理规划调度计划及安排备用容量.提出了一种基于双层人工神经网络的多时间尺度区域光伏出力预测方法,基于选取的基准光伏电站实现预测分辨率为1 min、5 mi...     

基于指数平滑法的灰色预测模型

光伏发电具有不确定性,在接入电网时会给电力系统的运行带来一定的负面影响,而光伏发电功率预测技术则可以有效地缓解此类随机能源对电力系统的影响。针对光伏电站输出功率的随机波动性和间歇性问题,提出了一种基于指数平滑法的灰色预测模型。分别用改进前和改进后的灰色预测模型对光伏发电功率进行短期预测,并将预测结果进行对比分析,结果表明:改进后的灰色预测模型有更高的预测精度,其预测结果与实际光伏功率值更加接近。     

考虑预测不确定性的风-光-水多能互补系统调度风险和效益分析

风电、光伏与水电（简称风光水）互补发电系统是提高清洁能源整体利用效益的重要创新模式,随着风电、光伏发电渗透率的增加,如何解决大规模风光接入所带来的不确定性是多能互补系统研究的核心和难点。本文重点探讨日前风光出力预测的不确定性对于多能互补系统风险和效益的综合影响。首先,从可靠性、稳定性和经济性三个方面提出风光水多能互补系统调度运行风险和效益评价体系;建立多能互补系统短期优化调度模型,在日前风光出力预测结果基础上,编制系统日前发电计划;根据风光实际出力情况,滚动更新和模拟水电站实际调度过程。最后,对比分析各电站计划和实际调度运行情况,评价日前风光出力预测不确定性对于多能互补系统风险与效益的综合影响。本文以雅砻江流域锦屏一级多能互补系统为实例进行研究。相比风光水独立运行,风光水互补后系统的发电效益提高了37.13%,且系统出力过程更为稳定。互补系统在年尺度上具有良好的可靠性,但在水库低水位时期,系统失负荷天数明显增多,占全年失负荷天数的96%以上,系统可靠性降低;在汛期,互补后水库的下泄流量最大增加了47.06%,出现水量集中下泄的情况,这给电力部门、下游用水部门以及防护对象带来一定的防洪风险。     

考虑预测不确定性的风–光–水多能互补系统调度风险和效益分析

风电、光伏与水电(简称风光水)互补发电系统是提高清洁能源整体利用效益的重要创新模式,随着风电、光伏发电渗透率的增加,如何解决大规模风光接入所带来的不确定性是多能互补系统研究的核心和难点。作者重点探讨日前风光出力预测的不确定性对于多能互补系统风险和效益的综合影响。首先,从可靠性、稳定性和经济性3个方面提出风光水多能互补系统调度运行风险和效益评价体系;建立多能互补系统短期优化调度模型,在日前风光出力预测结果基础上,编制系统日前发电计划;根据风光实际出力情况,滚动更新和模拟水电站实际调度过程。最后,对比分析各电站计划和实际调度运行情况,评价日前风光出力预测不确定性对于多能互补系统风险与效益的综合影响。以接入209万kW光伏和104.9万kW风电的雅砻江流域锦屏一级多能互补系统为实例进行研究。相比风光水独立运行,风光水互补后系统的发电效益提高了37.13%,且系统出力过程更为稳定。互补系统在年尺度上具有良好的可靠性,但在水库低水位时期,系统失负荷天数明显增多,占全年失负荷天数的96%以上,系统可靠性降低;在汛期,互补后水库的下泄流量最大增加了47.06%,出现水量集中下泄的情况,这给电力部门、下游用水部门以及防护对象带来一定的防洪风险。     

基于FA-PCA-LSTM的光伏发电短期功率预测

准确的短期光伏功率预测是调度部门合理制定发电计划、保证电力系统安全性和经济性的关键性技术.针对光伏出力可预测性低的问题,提出了一种结合因子分析(factor analysis,FA)、主成分分析(principal component analysis,PCA)和长短期记忆网络(long short-term memory,LSTM)的光伏发电短期功率预测方法.首先采用因子分析对多元数据序列信息进行分析,提取相关性较高的公共因子并优化样本.然后通过主成分分析对优化后的多元数据序列进行筛选,在充分利用序列信息的基础上降低数据规模和复杂程度.最后,利用LSTM网络对多元数据序列与光伏功率序列之间的非线性关系进行动态时间建模并预测.采用中国新疆某光伏电站的实测数据进行验证,算例分析结果表明所提预测方法的有效性.     

LS-SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型,依据实验数据对模型进行了验证计算,并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10.54%,平均绝对百分比误差(MAPE)为8.18%,绝对误差平方和平均值的均方根(RMSE)为0.4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力,可以有效地预测短期光伏发电功率。     

LS—SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型。依据实验数据对模型进行了验证计算．并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10．54％,平均绝对百分比误差（MAPE）为8．18％,绝对误差平方和平均值的均方根（RMSE）为0．4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力．可以有效地预测短期光伏发电功率。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。