基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

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。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

基于FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

利用智能水滴算法优化神经网络的MPPT

光伏系统最大功率点跟踪(MPPT)对于提高光伏发电效率有着重大意义。给出一种智能水滴(IWD)算法优化Elman神经网络的MPPT方法。利用IWD算法对Elman神经网络的权值和阈值进行优化,提高Elman神经网络的训练效果。将IWD算法优化Elman神经网络的MPPT方法与传统预测方法进行对比,结果验证了所提方法的有效性。     

光伏电站功率预测及其在电力系统中优化规划

光伏发电具有随机性和不确定性,太阳辐照度和温度会影响光伏出力。基于光伏系统历史记录资料,采用改进BP神经网络算法对光伏电站进行间接短期功率预测。该改进算法通过不断调整学习率来调整网络收敛速度,避免陷入局部最小;综合考虑电力系统的经济性与环保性,建立了以系统综合发电成本最小和污染物排放费用最低的综合单目标优化模型;并采用改进BCC优化算法对包含光伏电站的10机电力系统进行优化。算例分析结果表明,改进BP神经网络算法能准确预测太阳辐照度,且改进BCC算法能有效解决优化问题,该优化模型的合理性与有效性也得到验证。     

基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型.通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪.Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法.     

基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究

针对恒压控制法中采用BP神经网络预测最大功率点处电压存在较大误差的情况,提出了用遗传算法来优化BP神经网络,然后用优化后的算法来预测光伏系统最大功率点之处的电压,并以此值代替基于恒电压的光伏发电系统MPPT控制算法中的恒电压参数;同时结合恒电压控制法建立了基于GA-BP神经网络学习算法的改进恒压型光伏系统MPPT控制的仿真模型。最后算例仿真结果证明所提的基于GA-BPNN的光伏系统MPPT控制算法能够快速准确地进行光伏最大功率点跟踪,并且相比于BP神经网络算法、干扰观察法及FUZZY控制算法其稳定性更好、精度更高。     

基于GA-BP神经网络的光伏阵列MPPT研究

为了有效提高光伏发电系统的最大输出功率,在综合考虑传统算法优缺点的基础上,研究一种基于遗传算法(GA)优化BP神经网络的光伏最大功率点跟踪(MPPT)方法。通过建立神经网络最大功率点预测模型,并将预测模型转化为可在Simulink中直接使用的模块,避免了使用传统的S函数控制方法。在Matlab/Simulink环境下进行了仿真验证,仿真结果表明在光照强度和温度迅速变化时,该新型算法较传统电导增量法明显缩短了MPPT的跟踪时间,并且有效抑制了系统在最大功率点附近的波动。     

基于长短期记忆神经网络的光伏阵列故障诊断

目前的故障诊断方法无法精确识别与定位光伏发电系统中光伏阵列的故障,导致光伏发电运维成本增加.为此,本文提出一种基于长短期记忆(LSTM)神经网络的光伏阵列故障诊断模型.在MATLAB/Simulink软件环境下,搭建光伏发电系统仿真模型,采用扰动观测的最大功率点跟踪(MPPT)算法和电网电压闭环控制策略,分析光伏组件断...     

基于布谷鸟算法的光伏组件故障诊断模型优化

光伏组件是光伏发电系统中重要的组成部分。为了分析光伏组件在运行过程中出现的故障情况,建立布谷鸟搜索算法优化反向传播(BP)神经网络光伏组件故障诊断模型,并使用布谷鸟搜索算法寻找BP神经网络中的阈值和权值,降低网络对初始值的敏感度,避免网络陷入局部最小,实现模型分类效果的优化。对比结果显示,该模型能够准确有效地识别光伏组件的故障类型。相对于其他算法,优化的故障诊断模型具有更高的精确度,证明了该模型的有效性和可行性。     

基于CAPSO-RNN的光伏系统短期发电量预测

针对光伏系统的发电特性及影响光伏发电的因素,建立基于混沌自适应粒子群优化算法的反馈型神经网络短期发电量预测模型。该预测模型利用混沌自适应粒子群优化算法的全局优化能力初始化反馈性神经网络权值和阈值,可以克服反馈型神经网络收敛速度慢俄且易陷于局部最优等缺点。同时为提高预测精度,采用隶属度函数对温度进行模糊化处理。预测结果表明,建立的预测模型具有较高的精度。     

蚁群算法优化RBF神经网络的光伏发电MPPT

针对如何提高光伏电池最大功率点预测跟踪精度的问题,讨论了光伏电池非线性输出特性。在此基础上,建立基于RBF神经网络的光伏电池最大功率点预测跟踪模型,以光照强度和温度为模型的输入,光伏电池的最大功率点电压为模型输出,并将RBF神经网络的中心参数采用蚁群算法进行优化,从而实现最大功率点预测跟踪。仿真结果表明,该方法比传统的RBF神经网络方法具有更高的预测精度,能更好地预测跟踪光伏电池的最大功率点。     

光伏发电系统最大功率跟踪研究

针对光伏发电系统在最大功率点跟踪时存在跟踪速度慢和电压振荡的问题,提出一种最大功率点跟踪的改进电导增量算法.该算法先获取光伏电池输出的电流、电压,然后进行滤波和最大功率跟踪.若输出功率与最大功率点之间偏差较大,则进行恒定步长跟踪,以便系统快速获得最大功率;若输出功率与最大功率点之间偏差较小,以二分变步长进行跟踪.该算法在TMS320F28335 DSP处理器件上实现,并成功应用于光伏发电最大功率跟踪系统.实验结果表明,该改进算法能够实现最大功率快速跟踪,减少系统功率损耗,提高系统最大功率跟踪精度.     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于功率预测的光储发电系统控制策略优化

高效的光储发电系统控制策略不仅可以提高系统的效率,还能平抑太阳能发电输出功率的波动、改善光伏发电的电能质量.提出了一种基于功率预测的光储发电系统优化控制策略.对光伏功率预测算法进行优化,将基于跟随行为的人工鱼群算法与BP神经网结合,利用基于跟随行为的人工鱼群算法优化神经网络的权值和阈值.利用优化后的光伏功率预测方法预测下一时段光伏的输出功率曲线并判断波动大小,将判断结果作为影响策略运行的主要因素之一,并根据不同的情况设计相应的工作模式.通过Matlab建模仿真,证明了优化后的控制策略能够更加有效地平抑光伏的输出波动.     

三相四桥臂并网逆变器约束模型预测控制EI北大核心CSCD

提出了基于并行神经网络优化的约束模型预测控制（model predictive control,MPC）,应用于光伏并网逆变器中,提高光伏发电并网电能质量。建立了三相四桥臂逆变器的精确模型,分析约束模型预测控制算法的原理,在约束条件中加入输出变量和控制变量的约束,突破有限子集和无约束预测控制方法的限制。将并行神经网络递归优化算法用于求解约束预测控制优化问题中,提高单步优化问题的求解速度。利用FPGA的并行计算能力,在FPGA中运行神经网络在线优化求解,实现预测控制算法的实时运行。实验结果表明：采用该算法的并网逆变器输出电流偏差小,总谐波畸变率小,可以提高并网电能质量,验证了该算法的可行性和有效性。     

三相四桥臂并网逆变器约束模型预测控制

提出了基于并行神经网络优化的约束模型预测控制(model predictive control,MPC),应用于光伏并网逆变器中,提高光伏发电并网电能质量。建立了三相四桥臂逆变器的精确模型,分析约束模型预测控制算法的原理,在约束条件中加入输出变量和控制变量的约束,突破有限子集和无约束预测控制方法的限制。将并行神经网络递归优化算法用于求解约束预测控制优化问题中,提高单步优化问题的求解速度。利用FPGA的并行计算能力,在FPGA中运行神经网络在线优化求解,实现预测控制算法的实时运行。实验结果表明:采用该算法的并网逆变器输出电流偏差小,总谐波畸变率小,可以提高并网电能质量,验证了该算法的可行性和有效性。