共查询到18条相似文献,搜索用时 78 毫秒
1.
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。 相似文献
2.
3.
4.
5.
6.
光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。 相似文献
7.
8.
相似日之间的光伏功率具有很大相似性,为了进一步提高光伏功率预测的准确度,对常规的相似日选取方法加以改进,并提出了一种基于多时段相似日理论的光伏功率组合预测方法。该方法首先建立具有时效性的气象特征量,然后在不同时间段利用相似度组合指标选取相似时段,构建出多个组合相似日,组合后的相似日进一步保障了每一时段的相似性,并构建粒子群算法(particle swarm optimization,PSO)优化LightGBM(Light gradient boosting machine)决策树模型和双向长短时记忆网络(bi-long short-term memory,BiLSTM)的时变权重组合式预测模型,提高预测模型精度,弥补单一模型存在的不足。最后利用粒子群算法-双向长短时记忆网络(particle swarm optimization-Bi-long shortterm memory,PSO-BiLSTM)模型矫正待预测日的光伏功率。以中国广东某光伏电站的数据为例进行验证所提方法的可行性与优越性。 相似文献
9.
10.
光伏发电功率预测对提高光伏电站控制、调度性能以及保证电网的安全稳定运行具有重要意义。提出一种基于相似日和回声状态网络(ESN)的光伏发电功率预测模型。首先运用相关性分析法对光伏发电功率的影响因素进行了深入分析,并筛选出其主要影响因素;再利用主要影响因素的历史气象信息建立气象特征向量,通过计算灰色关联度(GRA)寻找合适的相似日;最后运用ESN创建预测模型,利用相似日历史数据训练ESN,而后对预测日的输出功率进行逐时预测。算例表明,对比传统模型,GRA-ESN模型具有更高的预测精度和更好的可行性。 相似文献
11.
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。 相似文献
12.
13.
14.
考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。 相似文献
15.
16.
随着光伏发电系统在电网中的比重逐步增大,其对电网的影响也越来越大。提前对光伏发电功率进行准确预测有利于电网及时调度、保证电能质量,从而保证电网的安全运行。针对光伏发电功率预测问题,给出一种基于回归分析和马尔科夫链的发电功率预测模型。考虑到季节、天气类型和气象等主要影响因素,通过回归模型得到初步预测值和相对残差序列,再结合马尔科夫链理论建立状态转移概率矩阵,从而修正误差序列,提高算法的精度。根据某光伏电站的实测功率数据对所提模型进行测试评估,验证了回归分析和马尔科夫链组合模型的准确性、简便性和适用性。 相似文献
17.
为了有效预测光伏发电站发电功率,提高预测精度,给出一种基于森林预测模型FPPG(Forest for Photovoltaic Power Generation)。FPPG是一个由多个回归树组成的集合预测模型。在学习阶段,FPPG首先随机抽样方法构建有差异的训练数据集,进而在不同的训练集上构建有差异的回归树。在预测阶段,首先,FPPG将输入信息沿着每棵树的某条路径分派到相应的叶结点,使用这些叶结点预测发电量,然后,平均这些预测结果得到FPPG对发电厂系统发电量的预测。在实测运行数据集上的实验结果表明,较之于神经网络,FPPG同时表现出更高的预测准确性,从而提高了光伏发电功率预测精度。 相似文献