基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型.以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和...     

基于数据预处理与特征表示的多核SVM短期光伏发电预测

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。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于样本双重筛选的光伏发电功率预测

首先通过建立辐照度和功率之间的关系,剔除功率奇异值来完成初步筛选,其次通过计算辐照度、温度、云量等气象因素与发电功率的相关系数,选取相关系数较大的气象因素来评价历史天与预测天的相似度,提取与预测天最相似的历史天作为训练样本来完成二次筛选,最后利用BP神经网络和遗传算法进行光伏发电的功率预测,结果表明该方法具有较高的预测精度。     

基于相似日理论和LIBSVM软件中SVR算法的光伏发电系统输出功率预测方法

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...     

基于EMD-PCA-LSTM的光伏功率预测模型

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。     

基于长短记忆神经网络优化的短期光伏发电预测方法

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。     

基于Elman算法的光伏阵列的短期功率预测研究

根据青海某5 MW光伏电场的历史光伏发电功率数据和当地的气象预报信息,分析影响功率预测的主要气象因素。采用Elman神经网络算法,结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据,建立光伏发电短期功率预测模型。对不同日类型的光伏出力的预测结果表明,该短期预测模型具有较高的精度,有助于电网能量的调度,对电力系统的安全稳定运行有积极作用。通过与BP神经网络和非线性状态估计(NSET)算法对比研究表明,Elman神经网络具有更高的预测精度。     

基于马氏距离相似度量的光伏功率超短期预测方法的研究

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。     

基于样本扩张灰色关联分析的光伏出力预测

光伏出力准确预测是光伏并网安全运行的重要基础,样本容量增大、计及多影响因素能有效提高光伏出力预测精度。以小时段为单位建立一种基于样本扩张灰色关联分析的光伏发电短期出力预测模型,扩张有限的样本容量,能分析多因素影响。首先分析影响光伏出力的多种因素,通过灰色关联度分析的方法对样本进行分析,得到扩张最优相似小时段样本;通过遗传算法对BP神经网络的权值和阈值进行优化,并对神经网络进行训练;最后进行光伏出力预测。该文所建立的预测模型有效扩张了样本容量,提高了突变天气时预测准确度,有一定应用价值。     

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。     

基于相似日和神经网络的光伏发电预测

光伏发电系统的输出功率受到季节、太阳辐射强度、温度和湿度等气象条件影响,呈现出时变性、间歇性和随机性。文章提出了基于相似日原理和改进的BP神经网络预测方法,利用光伏电站的历史气象信息建立气象特征向量,基于曼哈顿距离寻找相似日,根据给定的不同预测日选取3个相似日的输出功率作为预测模型输入,直接预测发电站的输出功率。以某光伏电站为例进行建模预测,并通过预测误差分析证明了算法的有效性。     

基于模糊神经网络控制方法的光伏发电系统并网设计

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。     

基于PSOEM和神经网络的光伏电站功率预测

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。     

基于CA-SE-GA-BP的光伏发电功率预测

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。     

基于CNN-Bi-LSTM的太阳辐照度超短期预测

针对太阳辐射引起光伏出力的不确定性和波动性,进而造成大量光伏发电并网时对电网稳定性和安全的危害,提出一种新的太阳辐射超短期预测方法.该方法通过构建一维卷积神经网络,对多个关键气象变量进行数据融合和特征转换,然后构造双向长短期记忆网络预测模型,实现对未来15 min的太阳总辐照度的超短期预测.实验结果表明,所提出的预测模...     

基于相似日和小波神经网络的光伏短期功率预测

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。     

聚类分析在光伏发电量预测中的应用研究

为了从光伏发电历年数据中筛选出有效样本,并提高光伏发电量预测模型的准确率,文章将聚类分析应用于光伏领域,并结合神经网络建立了光伏发电量预测模型。以晴天、多云和雨天3种天气类型为目标,利用聚类分析对历史数据中的异常样本进行筛选,并将筛选后的样本作为训练数据建立了反向传播(BP)神经网络预测模型。通过对比筛选前后预测模型的计算结果可知,利用聚类分析筛选后的数据所建立起来的预测模型精度较高,因此,聚类分析和BP神经网络相结合是提高光伏发电量预测精度的一种有效方法。     

一种光伏短期出力区间预测方法

该文建立基于相似日模糊信息粒化和Elman神经网络的光伏短期出力区间预测模型。首先对原始序列进行相似日的选取,然后将提取的样本利用模糊信息粒化进行处理,确定预测区间的上下界,并结合Elman神经网络分别预测,构建区间预测模型。仿真结果表明,所提出的区间预测方法具有较高的预测精度和实用价值。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

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。