基于改进BES-LSSVM光伏组件积灰预测

为探究气象因素与光伏组件积灰之间的关系，提出一种基于改进秃鹰算法（IBES）优化的最小二乘支持向量机（LSSVM）的积灰预测模型。该模型以降雨量、风速等气象因素作为输入，对组件面积灰进行预测。通过引入高斯-柯西变异算子对种群最优个体进行变异，择优选取进入下一次迭代，改善原始秃鹰算法收敛速度慢、易陷入局部最优的缺点。将改进算法寻优得到的参数代入模型，仿真后与其他种类算法模型进行对比，结果表明IBES-LSSVM积灰预测模型预测误差更小，拟合效果更好。最后根据累计积灰计算发电损失，结合降雨情况对组件清洗进行指导。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法研究

短期分布式光伏发电功率预测对配电网调度计划的安排及优化具有重要意义。人工智能技术的进步为精细化分析光伏发电功率预测结果的影响因素以及提高光伏发电功率的预测精度提供了有效途径。文章提出一种基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法。首先,基于随机森林中的增益情况,对影响分布式光伏发电系统的各项特征参数进行筛选;然后,通过自适应神经模糊推理算法对输入数据进行训练,并使用粒子群算法对ANFIS模型进行优化;接着,建立基于离线训练和在线预测的ANFIS-PSO分布式光伏发电功率预测模型;最后,利用北京某地分布式光伏发电系统的实际数据来验证模拟结果的准确性。     

灰尘覆盖对光伏组件性能影响的原位实验研究

在西安某地搭建光伏阵列实验平台,对光伏组件的温度、发电功率、太阳辐射强度及环境参数进行实时检测;设计光伏组件表面不同的积灰密度工况,对负载条件下同一时间段内检测的数据进行对比分析,得到积灰密度与光伏组件上层玻璃相对透光率、光伏组件工作温度以及发电功率的耦合关系;另外,通过检测数据发现,由于严重的雾霾天气,8 d的自然积灰就会使光伏组件上层玻璃的相对透光率减小约20%。     

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XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

工程应用中的光伏组件输出功率衰减率评估

本文利用型号为HT I-V 525W的I-V曲线测试仪对实际工程应用中光伏组件的电性能数据进行了实地测试,通过该测试仪将测试数据折算为标准测试条件(STC)下的最大输出功率,然后统计STC下光伏组件的最大输出功率并计算其输出功率衰减率,以评估光伏组件在工程应用中的输出功率衰减率情况.该研究可为光伏组件的清洗周期提供依据...     

神经网络短期光伏发电预测的应用研究进展

准确的太阳能发电功率短期预测是保证电力调度和大规模光伏并网的关键。该文对近年来光伏发电功率短期预测研究进展进行综述,并对影响光伏发电功率的各种气象因素进行相关性分析。针对用于光伏发电短期功率预测的人工神经网络模型和深度学习模型进行总结和评述。太阳辐照度是影响预测模型精度的主要气象参数。在光伏发电功率短期预测中,神经网络及其组合模型均表现出较好的预测精度,但组合模型整体上优于单一预测模型。     

基于GA-GNNM的极地光伏发电功率预测方法

为了更加准确有效地对极地光伏发电功率做出预测,提出一种基于GA-GNNM的极地光伏发电功率预测方法.首先对采集到的气候因素数据以及光伏发电数据中缺失、异常部分进行清洗归一化处理;通过最大相关最小冗余算法(MRMR)选择最佳的气候特征组合,构建多维气候特征数据集;并将其输入到K均值聚类算法中完成不同季节天气类型聚类划分,...     

基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率预测

为了提高光伏发电功率预测精度,建立了基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率超短期组合预测模型。首先,根据Pearson相关性分析,确定光辐照度、环境温度以及湿度为光伏发电功率的关键气象影响因素,继而使用改进的自适应白噪声完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)对历史光伏功率和气象因素进行分解,降低其复杂度和随机波动性,并利用动态时间弯曲(Dynamic Time Warping, DTW)算法确定每个光伏功率子序列的输入特征向量。其次,对最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)在建模过程中的误差进行权重分配,得到加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine, WLSSVM),其解决了LSSVM模型鲁棒性低的缺陷。最后,通过改进黏菌算法(Improve Slime Moul...     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于MIV-PSO-BPNN的光伏出力短期预测

针对高比例光伏接入电网时,光伏出力的波动性会严重影响电力系统稳定运行的问题提出一种基于平均影响值与改进粒子群优化神经网络的组合式光伏出力短期预测模型。首先,采用直接预测法,选取总辐射量、直接辐射量、散射量、相对湿度、气温、风速和降雨量7个影响光伏出力的因素,构建MIV-PSO-BPNN模型,基于Rapid Miner数据挖掘得出降雨量对光伏出力平均影响值为0.0099,影响较小,不作为模型输入变量。然后,用改进PSO优化算法对BPNN的权值与阈值进行优化。最后,利用上海浦东国际机场T2-2光伏电站数据进行验证,结果表明MIV-PSO-BPNN模型对光伏出力预测有效,在实际中有一定应用价值。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

A new correlation for direct beam solar radiation received by photovoltaic panel with sand dust accumulated on its surface

This work investigates experimentally and mathematically the effect of sand dust layer on beam light transmittance at a photovoltaic module glazing surface. A transmittance coefficient for beam light has been found with respect to the number of sand dust particles per unit area of glazing surface, size of the particles, beam light incidence angle and wavelength. It has been shown that the incidence wavelength has a negligible effect on the light transmittance in the visible region due to the fact that the size of the sand dust particles was much greater than the incidence wavelength. A new correlation has been found to help photovoltaic system designers to predict the amount of beam solar radiation that would reach the surface of the modules as a function of sand dust particles size and amount accumulated on the surface when they are used in dusty environments. Furthermore, the results from this work could improve the predictive capability of existing solar energy simulation models by incorporating the factors which account for sand dust accumulation on photovoltaic surfaces.     

Experimental study on the effect of dust deposition on solar photovoltaic panels in desert environment

The accumulation of dust particles deteriorates the performance of solar cells and results in appreciable losses in the generated power due to the sun irradiance scattering effects on the surface of the solar panel. This study investigates the impact of dust accumulation on photovoltaic solar modules in Baghdad city in Iraq. For this purpose an experiment has been conducted to quantify losses caused by the accumulation of dust on the surface of three identical photovoltaic solar modules. The modules have been installed with direct exposure to weather conditions, in a well controlled experimental setup. Subsequently, measurements of dust accumulation on modules have been taken on daily, weekly and monthly basis. The dust density and size distribution of aerosol particles and fibers have been also investigated and measured by a highly sensitive aerosols measuring system. The dusted module and another similar clean module have been then exposed to constant radiation and constant temperature using a solar simulator as light source. The deposition of the dust on the surface of the photovoltaic solar modules showed a reduction in both the short circuit current (I_sc) and the output power compared to the same parameters of the clean module. The average degradation rate of the efficiencies of the solar modules exposed to dust are; 6.24%, 11.8% and 18.74% calculated for exposure periods of one day, one week and one month. The experimental results are well compared with the calculations obtained by a theoretical model recently developed by the authors.     

光伏组件寿命衰退建模与寿命预测高斯随机过程回归方法研究

服役中光伏组件受到内部老化及外界环境影响,组件寿命衰减过程呈高度的非线性、随机性。针对光伏组件衰退机理及其过程,分析光伏组件衰退过程、衰退因子及其对光伏组串电池组件特性的影响,提出基于指数衰减的太阳电池衰退电路模型,并利用退化模型定量分析衰退因子对寿命预测指标输出功率的影响;进而,选取等效串联电阻和输出功率作为光伏组件寿命预测指标,提出综合输出功率和等效串联电阻的联合高斯随机过程寿命预测方法,并分析核函数和数据特性对寿命预测的影响。仿真与实例验证表明：所提寿命预测模型具有精度高、鲁棒性强的优点。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

积灰阴影遮挡对光伏发电系统的影响

阐述了太阳能光伏电池积灰的成因、积灰的物理及化学性质和形态分类,解释了积灰的遮挡效应、腐蚀效应和热斑效应,应用MATLAB应用软件搭建光伏电池及光伏发电仿真系统,研究积灰阴影遮挡对光伏发电系统的影响。分析光伏发电系统的原理,利用MATLAB建立光伏发电系统模型,利用搭建好的模型针对光伏组件的积灰与局部阴影来进行仿真,用定性和定量分析积灰与阴影遮挡对光伏组件及其发电系统的影响,指出了对于光伏板组件上积灰清洗的重要性。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。