共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对气温、降雨等气象数据有时难以获得且仅有的辐照度、光伏发电功率属于多源数据、毛刺多、具有不同特征的问题,提出了基于数据预处理与特征表示的多核支持向量机光伏预测方法,利用小波阈值分析法对光伏发电功率与辐照度进行去噪处理,通过对辐照度特征表示参数提取,进行SOM与k-means结合的二次聚类选取相似日,并采用多核支持向量机进行预测。结果表明,小波阈值去噪后能大幅提高预测精度,仅用辐照度与功率数据进行预测也能取得较高的预测精度,且多核预测精度高于单核预测精度。 相似文献
3.
4.
5.
由于光伏发电具有间歇性、波动性的特点,因此准确预测并网型光伏发电系统的输出功率对电网调度,以及电网的安全稳定和经济高效运行具有重要意义.提出了一种基于相似日理论和LIBSVM软件中支持向量机回归(SVR)算法的光伏发电系统输出功率预测方法.通过实例进行仿真验算,并与同样采用相似日理论的反向传播(BP)神经网络算法、径向... 相似文献
6.
《太阳能学报》2021,(9)
提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度;最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。采用山西省某电站的8个月实测数据进行验证,实验结果表明,该预测模型较传统光伏功率预测方法有更高的精确度。 相似文献
7.
针对现阶段光伏发电输出功率不稳定和发电预测模型实施难度较大的问题,对基于长短记忆神经网络优化的短期光伏发电预测方法进行研究。通过分析神经网络分布特点,在数据优化模型中代入初始数据,不断迭代计算目标权重,引入自循环乘积法获取模型的最佳优化函数;通过待预测数据之间的类间距计算可分性,将数据划分为对比序列和参考序列,分析参考序列内每个单位时刻下数据的类簇关联度,根据关联度量化值提取下一时刻的数据权重,完成短期光伏发电数据的预测。仿真实验表明,所提方法的预测精度高,该模型结构直观、易实施,对数据包容性强,可以高效实现对发电数据的预测。 相似文献
8.
9.
提高光伏功率超短期预测精度可有效减小光伏发电并网对电力系统稳定性的影响。文章提出了一种基于马氏距离相似度量的光伏功率超短期预测方法。首先,文章采用Elkan K-means聚类分析方法对天气类型进行划分,并通过计算各气象因素与光伏电站输出功率间的灰色关联度,选出不同天气类型下影响光伏功率的主要气象因素;然后,根据样本日和预测日间主要气象因素的马氏距离选择若干个相似日,并将相似日的光伏功率作为预测模型的训练集,对预测日的光伏功率进行超短期预测。模拟结果表明:基于马氏距离相似度量得到的相似日光伏功率和预测日的相似度较高;将基于马氏距离相似度量得到的相似日光伏功率作为预测模型的训练集,可以提高光伏功率超短期预测精度,为光伏功率预测领域提供了有效的方法。 相似文献
10.
11.
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。 相似文献
12.
13.
针对光伏发电系统运行过程中极易受到环境温度、太阳辐照度等外部条件干扰,从而导致其输出功率存在间歇性、随机性问题的情况,提出一种基于模糊控制算法及前馈(BP)神经网络的智能控制方法 (下文简称为“模糊神经网络控制方法”)来进行光伏发电系统并网设计,并搭建并网电路模型进行仿真分析。分析结果显示:相较于扰动观察法、模糊控制算法,采用模糊神经网络控制方法的并网光伏发电系统的泛化能力和鲁棒性更强,能更好地提高系统的稳态性和可靠性,可有效解决光伏发电输出功率存在的间歇性和随机性问题。 相似文献
14.
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
15.
针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。 相似文献
16.
17.
光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。 相似文献
18.
19.
20.
光伏发电功率的预测方法目前分为点值预测和区间预测两类,但点值预测方法难以适应光伏功率的随机性和波动性,因此,该文构建一种基于集合经验模态分解(EEMD)和混沌蚁狮算法(ALOCO)的支持向量机(SVM)光伏功率区间短期预测模型。首先,通过灰色关联度筛选出不同环境条件的相似日样本集,并利用EEMD将光伏出力序列分解成不同的本征模态函数;然后,利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化,并利用分位数回归法对光伏的输出功率进行短期区间预测;最后,通过算例数据验证所建立模型的有效性。 相似文献