共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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
3.
为提高光伏电站输出功率预测的精度,以满足电网调度的高精度要求,提出基于改进相似日和人工蜂群算法优化支持向量机的光伏电站功率预测方法。运用熵权法计算得到各气象因素对光伏出力的影响权重,通过计算历史日与待测日气象因数的加权欧氏距离和加权关联度确定相似日,选取相似日光伏输出功率历史数据、温度和湿度以及待测日温度、湿度作为支持向量机的输入变量,采用k-折交叉验证和人工蜂群算法相结合的方法优化核函数参数和惩罚因子,最终输出光伏电站各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的泛化能力和学习能力,具有较高的预测精度。 相似文献
4.
5.
6.
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
7.
8.
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. 相似文献
9.
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
10.
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
11.
12.
分布式光伏系统输出功率的预测是对配电网进行协调调度,进而有效消纳分布式光伏发电的关键。文章对天津某地区配电网中分布式光伏电站的功率特性进行研究,建立了基于ARIMA时间序列的分布式光伏系统输出功率预测模型。此外,还分别建立了基于ARIMA时间序列与神经网络的分布式光伏系统输出功率预测模型,以及基于ARIMA时间序列与支持向量机的分布式光伏系统输出功率预测模型,并比较了3种预测模型的预测误差。分析结果表明,与其他2种预测模型相比,基于ARIMA时间序列与支持向量机预测模型的预测误差较小,晴天、雾霾天、阴天和雨天条件下,该模型的预测误差分别为7.02%, 9.13%, 9.35%和9.48%,该模型的年预测误差为13.65%。 相似文献
13.
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。 相似文献
14.
15.
针对传统光伏功率预测精度比较低的问题,文章提出了基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测模型。首先,对多个气象指标和光伏电站的输出功率进行了相关性分析,并选取了相关度较高的气象数据作为模型的输入因子,利用TOPSIS算法选择出最优相似日;然后,将光伏电站输出功率理论值和气象数据建立GRNN预测模型;最后,结合DKASC网站上的历史气象数据和功率数据,对该模型进行了仿真试验并验证。试验结果得出功率预测精度RMSE平均值为0.826 9 kW,MAPE平均值为3.45%,MAE平均值为0.019 5 kW。该预测方法的预测精度明显高于单一预测模型,具有一定的理论和实用价值。 相似文献
16.
提出一种综合灰色关联理论的数据挖掘方法选取相似日,运用自适应动态权重的变异蝙蝠算法优化DBN神经网络。首先从历史数据集和预测日数据两方面分析主要影响光伏发电功率的因素,通过在原有模糊灰色关联分析的基础上,引入计算事物各属性发展趋势相似程度为衡量标准的综合灰色关联理论,选取更高相似度的相似日;利用自适应动态权重蝙蝠算法对DBN的权值参数进行优化,以此改进神经网络训练过程中因初始权值选取不当而陷入局部最优或收敛时间过长等问题。建立短期光伏功率预测模型,将此模型与其他预测模型进行对比,实验结果表明该模型更具预测精准性。 相似文献
17.
为提高弃光限电条件下光伏电站发电功率的预测准确率,选取甘肃及湖北地区位于不同气候条件下的4个光伏电站进行对比分析。利用中尺度数值预报模式模拟光伏电站辐射资料,引进误差逐步逼近法对模式输出辐射进行订正预处理,分别采用原理法、动力统计法和集合预报法探讨不同条件下光伏电站未来3天的短期发电功率预报效果。结果表明:1)误差逐步逼近法能有效降低数值预报辐射误差,相对均方根误差可降低约20%;2)当弃光率高于35%时,原理法的准确率下降至80%以下;3)具有统计功能的动力统计法和集合预测法可有效提高弃光限电地区的短期功率预测准确率,较原理法准确率最高可提升约12%;4)针对不同条件下的光伏电站,从预报效果和普适性的角度来看,集合预测法在所有方法中稳定性最佳,在弃光限电地区准确率最高可达92.02%,非弃光限电地区可达95.26%。 相似文献
18.
针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络(GA-WNN)的光伏电站发电量预测方法。首先,以反向传播(BP)神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法(GA)进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。 相似文献
19.
为了解决传统光伏电站超短期功率预测方法不能同时准确提取发电功率的时间和空间特征的问题,提出一种基于时空图卷积神经网络的光伏发电功率超短期预测方法。针对同一区域内的多个光伏电站,首先对电站进行图建模,利用图卷积网络(GCN)与门控线性单元(GLU)提取发电功率的时空特征。利用提取到的时空特征信息以及区域内光伏电站的历史发电功率数据训练预测模型,最终实现对多个光伏电站发电功率超短期预测。实验结果表明,该方法能够将超短期功率预测均方根误差减小至1.122%,对工作人员根据实际情况进行电网的调度管理具有重要意义。 相似文献
20.
针对目前光伏发电功率预测方法所存在的预测精度较低和不同天气类型适应性较弱的问题,提出一种利用主成分分析(PCA)和遗传算法(GA)改进极限学习机(ELM)的光伏发电功率预测模型(PCA-GA-ELM预测模型)。该模型的计算过程:首先,基于季节因素和天气类型等气象因素对于光伏发电系统的影响,在不同季节下建立了不同的子模型,并利用灰色关联分析法选取同种天气类型下的相似日;然后,利用PCA将多个原始输入变量降维成少数彼此独立的变量;最后,利用GA对ELM的初始权值和阈值进行寻优。此外,文章利用光伏电站的实际发电功率数据对预测模型进行验证。分析结果表明,PCA-GA-ELM预测模型具有较高的预测精度和较强的泛化能力。 相似文献