基于遗传算法优化神经网络的光伏电站短期功率预测

针对现有光伏发电预测的不足,基于遗传算法(GA)和神经网络(BP)算法构建光伏电站功率预测模型,并使用组合权重法遴选相似日对模型进行修正。采用新疆某光伏电站运行实例验证模型的有效性,并对比BP-GA模型与单一BP模型的预测误差。结果表明,BP-GA模型克服了传统单一BP模型的不足,具有较高的预测精度,可为光伏发电预测工程实践提供参考。     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

基于相似日误差校正的光伏功率预测

光伏发电的功率预测是电网运行调度普遍关注的问题。光伏电站大量历史数据的挖掘和利用为波动的光伏功率建模提供了新方向。在采用气象相似日进行光伏发电功率预测的基础上,引入了相似日的光伏发电功率预测误差对预测日的光伏功率进行校正,更进一步提高了光伏发电功率预测的准确性。     

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。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于皮尔逊理论与径向基函数神经网络的光伏功率预测

针对光伏功率输出的随机性,以皮尔逊相关系数确定影响因素,用最佳相似日及预测日的气象因素作为输入,预测功率输出,设计了基于皮尔逊相关系数和最佳相似日的径向基函数神经网络预测模型.用光伏电站的气象数据对模型进行训练和预测,结果表明模型具有较好的预测能力.     

基于综合相似日和功率相关性的光伏电站预测功率修正

提出了一种基于邻近电站和综合相似日的BP网络光伏输出功率异常数据修复方法。考虑了地理位置、温度以及1日类型等影响出力的因素,通过皮尔逊积距法选取与待修复电站功率相关度高的邻近电站,综合使用灰色关联度和曲线相似度来分析相似日,找出与待修复日相符的周边电站的综合相似日数据,然后建立BP网络模型,用自适应调节学习速率的方法修复不良数据。对青海地区实际光伏预测功率中的异常数据进行修复的结果表明,该方法有较高的修复精度。     

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...     

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...     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

基于双重注意力GRU与相似修正的光伏功率预测

提出一种基于双重注意力机制GRU网络（dual-attention-GRU）及相似序列修正的光伏功率预测模型。在Encoder-Decoder框架的基础上引入特征注意力以及时间注意力,能有效解决GRU网络对于输入特征及时间序列存在注意力分散的问题;采用相似功率序列的未来功率值对DA-GRU预测结果进行修正,能进一步改进预测结果。算例采用DKASC数据进行验证,对比模型在不同预测步长下的表现,结果表明：相比于其他传统模型,DA-GRU在不同评价指标下具有最佳的预测表现,且相似序列修正方法能进一步提高其预测精度。     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。     

基于小波包变换与深度学习的超短期光伏功率预测

针对光伏功率序列的复杂多变特征,提出一种基于小波包变换（WPT）的门控循环单元（GRU）光伏功率组合预测方法。首先通过相关性分析挑选重要气象因子,并利用WPT将原始光伏功率序列分解为一组子序列;然后,提出一种基于莱维飞行天牛须搜索算法（LFBAS）的相似日选择方法,以选择相似于预测日的历史日作为输入数据集;最后,建立一组基于GRU网络的深度学习光伏功率预测模型,将每个子序列预测结果叠加得到光伏功率最终预测结果。仿真结果表明,该文所提出的预测方法在预测精度和计算效率方面具有显著优势。     

光伏发电系统功率预测方法研究综述

光伏发电大规模并网给电网的稳定运行带来巨大挑战,提高光伏发电功率预测水平对光伏能源并网安全具有重要意义.光伏发电系统功率输出具有明显的非线性、间接波动性和不确定性特点,须采用数学模型结合多尺度预测方法实现较高预测精度.针对多元线性回归算法、马尔科夫链预测、神经网络算法、支持向量机和组合预测等光伏系统输出功率的直接预测方...     

基于STL Former的中短期光伏功率预测

由于光伏发电具有间歇性和波动性,给电网运行的安全性和稳定性造成危害,对光伏功率进行准确预测可以有效解决这一问题。本文提出一种基于STL Former的中短期光伏功率预测模型,该模型结合了季节趋势局部加权回归分解（STL分解）与神经网络模型。首先,STL Former模型将光伏功率数据通过STL分解进行特征扩充,用于提取基于历史序列的周期项、趋势项特征。然后,拼接周期项、趋势项特征和原特征,进行数据预处理和特征编码并使用基于Informer模型的神经网络进行功率预测。最后,在真实数据集上进行大量实验。实验结果表明：STL Former在中短期光伏功率预测任务中精度较高,其中在2 h光伏功率预测任务时,平均绝对值误差为0.176、均方误差为0.180;在28 h光伏功率预测任务时,平均绝对值误差为0.170、均方误差为0.154。     

基于EMD与ELM的光伏电站短期功率预测

针对传统光伏电站功率预测方法精度不高的问题,提出一种基于经验模态分解(EMD)与极限学习机(ELM)组合功率预测方法。该方法中,首先利用EMD分解分辨率为15 min的功率序列,得到一组相对平稳的分量,减少不同功率影响因素间的相互影响;然后针对各分量的不同特性,考虑相应气象因素作为输入,利用ELM神经网络建立不同的预测模型,分别预测各分量值;最后对ELM预测的各分量值求和,从而得到最终预测结果。算例仿真表明,该方法比传统的预测方法具有更高的预测准确度。     

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。     

大容量并网型光伏电站功率预测预报系统设计

阐述了一种大容量并网型光伏电站功率预测系统的设计、预测输入数据源、太阳辐射和温度预测、光电功率预测,给出了一个算例。通过现场实际验证表明,本方案具有较好的预报效果,对电网调度和光伏电站经济运行有较好的指导意义。