基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

基于神经网络的光伏系统发电功率预测

分析光伏系统的发电特性以及影响光伏发电的因素,建立基于神经网络的光伏发电功率预测模型.该模型采用三层BP(反向传播)神经网络结构,利用其强大的非线性映射和泛化能力,按季节建立4个预测子模型,子模型中将相同日类型的光伏发电功率的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

光伏发电功率超短期预测方法综述

大规模的光伏并网使电网安全问题日益突出,精准的功率预测能为电网安全稳定运行提供可靠的数据支撑。目前,国内外对光伏发电功率超短期预测开展了大量研究,但在其预测精度上还有待进一步的提升。为此,从影响因素、研究方法、预测难点及未来的发展趋势4方面对光伏发电功率超短期预测方法展开综述。首先对光伏发电的影响因素及预测方法进行归纳总结,然后在深入分析基于历史功率数据的预测法、考虑未来气象因素数据的预测法、基于云观测数据预测法以及多种数据组合的预测法的基础上,梳理出目前光伏功率超短期预测所存在的技术难点,最后结合其发展趋势,展望了未来技术研究的攻关方向。     

基于MEA-Elman神经网络的光伏发电功率短期预测

为进一步提高光伏发电功率预测的准确度,从而将思维进化算法(MEA)和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于改进EMD-ARIMA的光伏发电系统短期功率预测

光伏发电功率的准确预测对于提高电网和微电网的供电质量和降低运行成本具有重要意义.针对光伏发电时间序列的非线性和非平稳特征,在传统基于经验模态分解(EMD)方法的基础上,加入白噪声检验环节,提出一种基于改进EMD和差分自回归移动平均(ARIMA)相结合的光伏发电系统短期功率预测方法.首先利用EMD将原始光伏发电系统功率序...     

光伏发电系统功率预测研究方法综述

随着光伏发电大量并入电网中,为了合理制订发电计划,保证电力系统稳定运行,需要对光伏发电输出功率进行预测。主要就光伏发电系统功率预测研究方法进行了综合阐述,介绍了影响光伏发电系统功率输出的主要因素,概括了光伏发电系统功率预测中常用的人工神经网络算法、支持向量机算法等统计方法,最后给出功率预测结果评估的指标。     

基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

基于网络服务器的光伏发电短期功率预测研究与应用

通过分析当前国内光伏发电工程的特点,提出一种基于网络服务器的光伏发电短期功率预测系统,充分利用现有监控终端的数据上传能力,结合多数据终端上传的海量数据优化智能算法。此预测系统可以为多个光伏监控系统分时复用,节约了硬件资源;同时预测软件根据其获得的多系统数据特点,利用不同光伏发电系统的数据进行交叉优化,有效提高了预测准确率。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于分段分层相似日搜索和自适应脊波神经网络的风电功率多步预测

为进一步提高风电功率预测精度,提出了一种基于相似日理论结合自适应脊波神经网络的风电功率预测模型。在传统相似日方法上,将相似日细致到\"相似时段\",即基准段和预测段;采取对基准段风电功率曲线和预测段日特征向量进行双重搜索的方法,保证了相似精度;并采用分层搜索逐步逼近预期目标,既突出主导因素又节约计算时间。在基准段曲线相似度的基础上结合机组启停状态,并引入了预测段的特征量,增加了相似日的评估信息,使得相似日的选取更加合理、准确。用自适应脊波神经网络对相似样本进行建模、训练,得最终预测值。经算例分析,该方法能有效预测未来12 h的风电输出功率,从而实现较高精度的多步预测,为调度部门提供有力支持。     

基于自组织映射神经网络的市场清算电价预测

市场清算电价预测是电力市场中交易决策的基础。人工神经网络是电价预测较为理想的方法,但依然存在一些问题,如样本训练有时需要很长时间,存在收敛问题,特别是当样本特征量不明显的时候,这种现象更为突出。针对这一问题,利用自组织映射的聚类特性将历史数据进行特征分类和筛选处理,处理后形成的新数据用于训练三层BP神经网络,仿真结果表明,经过这种数据处理后,网络的收敛速度得到了显著提高,且预测效果良好。     

基于天气分型的风光出力互补性分析方法

基于天气分型的风光出力互补性定量分析方法能够科学指导风光互补发电系统优化调度。针对现有天气分型方法中主成分分析法无法提取非线性特征,分布领域嵌入(t-SNE)算法未考虑样本实际分布等不足,提出了基于核主成分分析(KPCA)和自组织特征映射(SOFM)神经网络的天气分型及风光出力互补性分析方法。首先,基于数值天气预报数据,利用KPCA进行特征向量提取;然后,以特征向量为输入条件,构建基于SOFM神经网络的天气类型划分模型;最后,基于波动互补率和爬坡互补率评估指标,从波动性和爬坡性2个角度定量分析不同天气类型下风光出力互补程度和最佳并网容量比例。结果表明不同天气类型下风光出力波动互补性及最佳并网容量比例差异明显,验证了所提方法的有效性。     

光伏发电影响因素分析和短期光伏出力预测研究

近几年,在国家政策大力扶持下,光伏产业作为战略性新兴产业,得到了井喷式的发展。光伏发电现状和发电预测日益成为大家关注的焦点。根据浙江省绍兴地区 2017年以来光伏用户的发电量数据,从季节、天气、温度、光照等不同因素对光伏发电效率影响进行了分析,并提出了一种短期光伏发电出力和发电量测算的方法,从而为本地区分布式光伏发电量预测、光伏工程选址、光伏运维管理提供依据。     

数字天气预报在太阳能光伏发电中的应用

介绍了数字天气预报的概念,WRF的预报模式以及预报的计算过程。分析了数字天气预报在太阳能光伏发电运用中影响太阳辐射能量的因素,讨论了光伏功率预测系统及运行中的气象难点。     

SOM特征提取与ELM在电力负荷预测中的应用

随着电力负荷内涵复杂度和非线性增加,单纯追求电力负荷预测精度将变得困难。研究根据负荷样本分析其趋势、抽取特征来解决预测精度问题,即提出一种基于自组织特征映射网络(SOM)进行特征提取并与极限学习机(ELM)相结合的短期电力负荷预测方法。通过SOM特征提取找出与预测日同类型的历史数据作为训练样本;然后采用ELM进行预测,该方法预测过程简捷,能得到唯一的最优解。实验以某市的电力负荷数据进行仿真和比较。结果表明,基于SOM特征提取的ELM方法不仅精简了训练样本数量,且使训练更具有针对性,提高了预测精度和泛化性能,具有一定的理论意义和较好的应用前景。     

“6⋅21”日环食对光伏发电及电网运行影响分析

中国正处在新能源与特高压交直流电网高速发展时期,日食等极端事件易引发广域新能源出力波动,进而对电网安全稳定运行产生重大影响。文中针对2020年6月21日中国地区发生的日环食过程进行剖析,采用数值天气预报叠加事件影响的方法,提出了极端天文、天气事件对新能源间歇性与电网运行影响的预测方法。基于有效预测结果制定了相应预案措施,分析了日环食发生过程中电网的运行状态,并提出了有效预测此类事件对中国高比例可再生能源电网安全稳定运行的若干启示。     

基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究

现有光伏发电量预测模型大多以太阳辐照度作为必要的输入,然而,由于当前国内太阳辐射站点仍较稀少且预报能力较低,因此此类预报方法难于实施。利用距离分析方法分析光伏发电量与气象因素间的相关性,确定以气温和湿度作为预报输入因子,建立反传播（back propagation,BP）神经网络的无辐照度发电量短期预报模型。此外,为适应天气突变,采用自组织特征映射（self-organizing feature map,SOM）由云量预报信息对天气类型聚类识别,继而对各天气类型采用相应的预测网络,避免了单神经网络的过拟合问题。通过与含辐照度输入及无天气聚类识别的预测模型做交叉对比实验,预测结果表明,天气类型聚类识别能显著提高预测精度,无辐照度光伏发电量短期预测模型有较高的精度和50%湿度抗扰动性。