基于Kmeans++-Bi-LSTM的太阳辐照度超短期预测

针对地表太阳辐射的不确定性和随机波动性,进而对大型光伏发电并网对电力系统的稳定性造成冲击,提出一种新的太阳辐照度超短期预测方案。该方案通过使用皮尔逊相关性分析和无监督学习中的Kmeans++算法,对多种气象数据进行筛选,找出关键气象数据并进行划分以及添加标签,接着将带有标签的关键气象数据输入双向长短期记忆网络预测模型中,以达到10 min时间间隔的太阳辐照度超短期预测。结果表明所提预测模型相较于目前常用的模型提高了预测精度。     

基于长短期记忆神经网络的地表太阳辐照度预测

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型.采用递归结构的训练样本,以保证训练样本内部的时间耦合性.为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析.结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48％,表明所建模型...     

基于ICEEMDAN-LSTM和残差注意力的短期太阳辐照度预测

为提升短期太阳辐射预测的准确性,提出一种基于ICEEMDAN-LSTM和残差注意力的短期太阳辐照度预测方法。该方法利用改进的自适应噪声完备集合经验模态分解（ICEEMDAN）将原始辐射序列分解为多尺度模态分量,同时引入残差注意力机制对原始气象特征进行重构,然后利用长短期记忆网络分别提取两部分的时序特征,并融合所得特征输入至多层感知器,进行提前1小时的水平面总辐照度预测。实验结果表明,该方法能捕捉辐射序列的波动和突变,并考虑不同气象特征的重要程度,可有效提高短期太阳辐照度的预测精度。     

基于FY-4A和机器学习的太阳辐照度超短期预测

针对中国西部地区辐射资源充沛但观测资料匮乏的特点,提出一种基于辐照度观测数据、遥感数据、McClear和随机森林算法的太阳辐照度超短期预测方法,并重点分析遥感数据对辐照度预测效果的影响。结果表明：添加遥感数据能够优化不同时间步长的辐照度预测效果,并能显著降低平均绝对百分比误差(MAPE)值高于40%的预测大误差出现概率。同时,添加遥感数据对预测效果的提升随时间步长呈线性增加关系,nRMSE的差值变化范围从2.08%变为13.81%;nMAE的差值从1.64%变化为14.52%;R²的差值随时间步长的变化最为明显,从-0.03变为-0.43。但值得注意的是,添加卫星数据会显著增加模型的建立和超参寻优时间。     

基于EMD-TCN的多能供热系统太阳辐照度预测模型

针对太阳辐照度的非平稳性和非线性影响多能供热系统运行效率和可靠性问题,该文提出一种基于经验模态分解（EMD）和时间卷积网络（TCN）的太阳辐照度混合预测模型EMD-TCN,更精准地从气象数据中提取太阳辐照度非线性和非平稳的隐含特征,获得更佳的预测精度。该研究利用逐时气象数据对所提出的EMD-TCN模型进行不同时间尺度的太阳辐照度预测实验,并与4种主流深度学习预测算法进行对比分析,结果表明该太阳辐照度预测模型具有更高的预测精度和泛化能力。     

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MAC-WD-CNN-MCNN.通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN...     

基于GRU-RF模型的太阳辐照度短时预测

针对现有太阳辐照度短期预测方法的建模复杂、准确度低等问题,提出一种基于深度学习的GRU-RF动态权值组合预测方法。大气因素与太阳辐照度数据融合,将运算速度较快且模型复杂度较低的随机森林（RF）模型与带有时序记忆的门控循环单元（GRU）神经网络进行动态权值的加权集成,分别将地表接收到的太阳辐照度、近地层气温、相对湿度、近地层风速和相对气压等变化特征进行预测研究。通过几种模型对比分析,结果表明使用GRU-RF模型预测短时（9 h）太阳辐照度结果较好,运行速度较快,在不同时间间隔（5、10以及15 min）下能够很好地预测太阳辐照度数据。     

基于卫星遥感的辐照度时空关联映射与预测建模

常规光伏电站仅能依赖局地地表气象观测信息进行辐照度预测,难以挖掘电站周边广域光伏资源的时空关联特性,限制了光伏电站辐照度以及发电功率的预测精度。针对上述问题,该文提出基于卫星遥感的光伏电站广域辐照度空间分布映射方法,并建立基于图卷积网络（GCN）的地表辐照度超短期时空关联预测模型,在充分利用多通道卫星数据的同时,考虑时空关联特性提高地表辐照度超短期预测精度。通过某光伏场站实例仿真分析,验证地表辐照度反演模型的可行性以及在此基础上所构建的辐照度时空关联预测模型的先进性。     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型.BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重.最后采用内蒙古自治区某风电场的历史数据进行提前0～15 min试验.结果表明,提出的IPSO-BiLST...     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

应用盲分离神经网络预测逐日太阳辐射能

提出一种应用盲分离神经网络预测逐日太阳辐射能的方法。首先在卷积混合基础上,应用最大化负熵准则分离原始太阳辐射时间序列,从观测数据中剔除不可靠信息;考虑到太阳负荷的特点,将分离后的样本输入到径向基函数神经网络(RBFN)中,通过调整参数训练网络直到满足约束条件为止,由此恢复盲分离所带来的幅值和排列顺序变化;最后分别比较盲分离神经网络、RBFN和BP网络的预测误差值,结果说明本文建立的模型提高了预测的准确度。     

基于改进递归深度信念网络的CSP电站短期出力预测

以预测CSP电站短期出力为目的,首先引入自适应思想对递归深度信念网络的训练算法进行改进,并建立直接法向辐射的短期预测模型。随后提出一种结合静态模型的CSP电站短期出力预测方法。最后进行性能检验,验证了改进递归深度信念网络的可行性,以及CSP电站短期出力预测方法的有效性。研究结果表明：建立的改进递归深度信念网络可提升预测准确性和收敛速度;提出的CSP电站短期出力预测方法可较为准确地预测其短期出力情况。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于T-VGG的太阳电池片缺陷检测

针对太阳电池片EL图像,提出一种融合注意力机制和Ghost卷积层并引入批标准化的T-VGG轻量级卷积神经网络模型。首先使用Ghost卷积层替换常规卷积层,其次引入注意力机制和批规范化,进而实现对电池片缺陷的高精高速检测。实验结果表明,该卷积神经网络模型对缺陷的检测准确率为99.15%,对缺陷类型的检测准确率为96.28%,检测时间为0.032 s/张,在保证高精高效性的同时兼具通用性。     

波纹板太阳能集热器吸热板表面太阳辐照度分布特性研究

采用蒙特卡洛射线追踪法,研究不同季节和安装角度等关键参数对波纹板太阳能集热器与平板太阳能集热器吸热板表面太阳辐照度的影响,并对得到的数据进行分析。模拟结果显示,在相同安装角度下,波纹板太阳能集热器吸热板表面太阳辐照度比平板太阳能集热器大。二者相差的百分比随光线对集热器的入射角而变化,入射角较小时,相差的百分比较大。90°安装时,冬季波纹板太阳能集热器累积辐照度比平板太阳能集热器提升6.2%,夏季二者接近。40°安装时,冬季和夏季波纹板太阳能集热器累积辐照度分别比平板太阳能集热器提升7.1%和6.9%。     

全光谱日光模拟器的辐照特性仿真研究与优化

以全光谱日光模拟器为对象,利用光学软件LightTools对其辐照特性进行仿真研究。分别建立光源和模拟器的光学系统仿真模型,并将辐照度仿真结果与实验结果进行对比,获得光学基准模型,最终完成模拟器优化。结果显示,利用基准模型可有效预测各工况下日光模拟器的辐照特性;借助该光学基准模型进行日光模拟器的优化设计,确定反射板的最佳宽度与最佳反射角分别为1.2m和20°,在模拟器与辐照面间距为2.0m,只开A组、B组、C组、D组以及灯组全开的工况下,有效辐照面较优化前平均扩大81.6%。     

基于地基云图的超短期太阳辐照预测方法与装置研究

提出一种自主研发全天空成像仪的云图曝光优化方法,通过自主研发的地基云图采集仪采集地基云图,结合在同一时刻连续拍摄的不同曝光度的云图,利用动态范围优化算法对云图进行处理。对优化后的云图进行特征提取,将图像特征作为预测模型的输入数据,建立基于BP(back propagation)神经网络的预测模型。验证结果表明：在5 min预测尺度上,所建立模型的预测均方根误差相比持续性模型降低14.31%。与现有研究对比,所建立的模型具有更低的均方根误差（RMSE）。     

真空集热管内不同形状吸热体表面相对太阳辐照强度的实验研究

以太阳模拟器为光源，对平面吸热板和半圆柱吸热板热管式真空集热管测定了玻璃罩管内吸热板表面各点随光线入射角变化的相对太阳辐照强度分布，给出了平面与半圆柱吸热板平均相对太阳辐照强度随人射角变化的规律及三维拟合公式，并对两种情况的实验结果进行了初步分析。结果表明，半圆柱吸热板的全天得热量大于平面吸热板。