含高渗透率分布式电源的节点负荷预测方法

随着配电网中分布式电源比例的提高,其对节点负荷预测的影响变大,传统的负荷预测方法已难以满足预测精度要求。因此,针对高渗透率分布式电源的负荷预测问题,提出了一种基于小波神经网络和Elman神经网络的负荷预测方法。该方法具有较强的学习能力,避免了结构设计上的盲目性,具有结构简单、收敛速度快、精度高等特点。建立考虑天气类型指数的短期负荷预测模型,并应用小波神经网络和Elman神经网络相结合的预测模型进行训练,将训练结果与实际发电负荷进行对比可知,该模型有较强的预测能力,可预测光伏实际出力情况。根据各节点的实际用电负荷及由接入的分布式光伏所提供的用电负荷,可得出具有高渗透率分布式电源的节点预测负荷。最后,以实际地区的光伏发电数据和负荷数据算例验证了该方法的有效性。     

含光伏发电的配电网消纳能力研究

分布式光伏发电的接入使电网承载更大的压力.电网接纳分布式光伏发电的能力已成为制约光伏产业发展的主要因素.针对配电网最大可接纳分布式光伏电源的问题,建立了含分布式光伏发电的配电网仿真模型.模型以各母线电压和短路电流作为约束条件,综合得出准入容量目标值范围的计算方法和评估策略.有利于定量计算配电网接纳分布式光伏电源的能力,并为光伏电源接入电网的合理规划设计及运行管理提供依据.利用提出的方法分析了江西省某市电网的光伏接纳能力,为该市的配电网光伏规划提供了依据.     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法

由于具有间歇性、波动性和随机性的特点,光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行.因此,开展区域光伏功率预测能够为调度部门提供电源出力参考信息,以合理规划调度计划及安排备用容量.提出了一种基于双层人工神经网络的多时间尺度区域光伏出力预测方法,基于选取的基准光伏电站实现预测分辨率为1 min、5 mi...     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.     

计及置信区间的微电网协同调度研究

针对分布式电源大量接入电网对生产运行造成较大影响的问题,本文对并网运行模式下微网经济负荷协同分配进行研究。通过建立计及光伏发电和风力发电随机性的微电源、储能装置、大电网和负荷的数学模型,并从置信区间角度描述光伏机组及风力发电机组运行出力的随机性,建立了基于置信水平的机会约束优化调度模型。采用改进多目标粒子群算法对模型进行求解,从而对各电源出力优化配置。仿真结果表明,与不考虑置信区间的调度模型相比,综合成本下降了1.87%;与常规多目标粒子群相比,综合成本下降7.53%。该研究有效节省综合成本,提高协同调度效率,为实际工程应用提供了理论依据。     

基于最优加权组合模型的光伏出力预测

针对单一光伏出力预测方法的局限性,建立了一种基于最优加权组合方法的光伏发电功率预测模型。基于气象信息数据,采用模糊聚类的方法将历史光伏发电功率样本分为几类,然后将预测日归类为相似度较高的历史样本集。将此类历史样本与预测日的气象数据作为输入样本分别建立BP神经网络模型、支持向量机模型。利用最优加权组合算法进行多模型的加权组合,得到组合预测模型。某光伏电站的实测功率数据与模型预测结果对比表明,提出的模型有较高的预测精度。     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

超级电容器在微网并网运行中的作用

为了解决微网中可再生能源的波动问题,以光伏发电、柴油发电机、蓄电池及超级电容器组成的微网为例,用频域方法分析了超级电容器在微网并网运行中的作用.基于给定的各分布式电源及其控制系统模型,从最大可控扰动频率、光伏发电最大准入容量以及全频段扰动抑制的角度,分析了超级电容器在微网运行中的作用.仿真和实证结果证明:超级电容器能提高微网中可控扰动频率,提高光伏发电准入容量,并对全频段扰动都有抑制作用.     

考虑可再生能源出力不确定性的多能源电力系统日前调度

随着可再生能源的开发利用,以风电和光伏发电为代表的不确定电源对电力系统安全运行影响越来越大。传统对风电和光伏发电出力不确定的研究,大多假设其预测误差服从正态分布,但正态分布并不能准确描述这一误差分布。基于此,采用人工神经网络直接模拟预测误差的分布规律以确定其对调度方案的影响,同时为了提高模型的求解速度利用神经网络模拟机会约束条件成立的概率水平,将训练好的人工神经网络嵌入机会约束规划模型求解中,形成能够考虑风、光出力不确定性的多能源电力系统日前调度模型。为提高可再生能源消纳能力,调度模型在保证经济性的同时,优化可再生能源的渗透率。采用博弈优化理论,将得到的多目标优化非劣解作为博弈参与者的策略集,进一步通过相互博弈达到纳什均衡的过程寻找最优策略解。最后通过修改的IEEE30节点系统,采用实际风电场和光伏电站出力数据验证了所提模型的有效性。     

使用蒙特卡罗逐时估算模型的住宅配电网光伏准入容量研究

为避免分布式光伏电源开放接入的住宅配电网出现电压越限问题,确定其光伏准入容量成为了重要的规划问题。文中通过建立基于蒙特卡罗方法的逐时估算模型来对住宅配电网的光伏准入容量进行研究。首先提出基于蒙特卡罗方法的配电网光伏接入场景分析方法,然后建立结合了电压控制策略的逐时估算模型来计算系统的光伏准入容量,最后使用逐时估算模型并结合马尔科夫链预测方法对住宅配电网进行光伏准入容量逐年分析,并对结果进行精度分析。文中使用MATLAB软件,以某地区历史负荷数据为基础,对IEEE 33节点配电系统进行模拟仿真,结果表明文中方法对于系统光伏准入容量的估算和预测均满足一定的精确度要求,对开放式配电网分布式电源的规划具有较大意义。     

基于PSO优化BP神经网络的光伏发电量预测

为了实现对光伏发电量的预测,降低光伏并网的不利影响,通过建立粒子群算法(Particle Swarm Optimization,PSO)优化的前馈神经网络光伏系统发电预测模型,进行光伏发电量的预测。该模型采用粒子群优化算法来优化神经网络内部权重和阈值,不仅收敛快,而且不易陷入局部极值,具有较强的泛化能力。以天气参数和光伏发电历史数据作为样本,比较了该模型与未经优化神经网络模型的预测效果。结果表明,经PSO优化的神经网络模型预测精度更高,预测性能更好。     

考虑配电网三相不平衡度的分布式光伏并网容量规划

大量分布式光伏并网可能会给配电网的网损、电流三相不平衡度和电能质量带来负面影响。为合理地规划分布式光伏并网容量,提出了一种综合考虑配电网三相不平衡度、系统经济性、电压偏差和静态电压稳定裕度的规划方法。利用动态时间弯曲距离来描述时间序列的相似性,采用改进K-means聚类算法,得到规划区负荷有功功率及与规划区纬度相同区域已知光伏出力的典型场景。利用博弈论的思想基于改进层次分析法和熵权法得到综合权重,将多目标优化问题转换成单目标优化问题,并采用改进的量子粒子群算法对其进行求解。最后利用改进的IEEE33节点配网系统和某地区实际配网系统进行了仿真验证,研究结果表明所提分布式光伏并网容量规划方法的合理性和有效性。     

分布式光伏系统并网对配电网电压的影响及电压越限治理方案

随着大规模分布式光伏系统并网,配电网电压问题成为分布式光伏发展的最大挑战之一. 以辐射状结构配电网为研究对象,从电压降落角度研究分布式光伏系统并网前后配电网电压分布的变化,分别分析了单个和多个光伏系统并网对配电网电压的改变,探讨了改变电压分布的各种因素,包括接入容量、接入位置、负荷大小、工作方式和接入方式. 通过美国PG&E69节点系统对理论分析进行了验证,得出线路电压随光伏系统并网而升高,且升高幅度与负荷分布和光伏出力有密切关系的结论,并提出了配电网电压越限的治理方案,该方案充分利用逆变器的剩余容量吸收无功,有效解决了分布式光伏系统并网引起的电压越限问题.     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

分布式电源对配电网的影响研究

分布式发电具有节省投资、降低损耗、提高系统可靠性、效率高、能源种类多样等优点,因此将分布式发电系统并入到现有的配屯系统中,是今后分布式发电的发展趋势。但分布式发电的接入使配电网从简单辐射受电网络变成具有电源的复杂网络,分布式发电的位置、容量以及运行方式对配网的线路潮流、电能质量、继电保护、网络损耗都有较大影响。因此,探索如何使DG支持配网优化运行具有重要意义。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

基于或然误差模型的分布式光伏微电网储能容量优化设计

为了合理配置储能,建立一种基于或然误差分析的储能模型,根据负荷预测误差和光伏出力预测误差的随机性均满足正态分布的特点,对原模型未考虑到的随机误差进行估算,使模型计算出的结果更加准确。结合中国铁塔辽宁分公司的实例,用或然误差模型对其约为1 215 m2的办公楼顶上建立的分布式光伏储能系统的容量进行设计,结合其负荷功率和光伏功率曲线验证出光伏储能系统容量配置的正确性。     

独立光伏发电储能系统能量管理与经济调度研究

独立光伏发电系统是解决偏远地区供电问题的重要手段之一,由于光伏电源有功出力具有波动性,需要依靠储能装置维持整个系统的稳定运行。为此,提出采用电解水制氢结合蓄电池的组合储能方式,通过分析系统的能量供需特性,提出综合考虑系统设备参数、自身损耗与容量限制等约束条件的能量管理策略;建立独立光伏发电组合储能系统的日前经济调度模型,并应用粒子群算法求解。基于Matlab软件搭建独立式组合储能光伏微网仿真平台,验证了所提策略的有效性。     

考虑用户负荷类型的含分布式电源的配电网可靠性评估

该文以含分布式电源的配电网可靠性评估为主要内容,首先研究居民、商业、工业的日负荷特性,建立反映用户用电特性的时序负荷模型。根据分布式电源的出力和负荷需求,建立储能协调运行模型。在此基础上,研究分布式电源的接入以及不同分布式电源出力对各类用户负荷可靠性的影响。最后,基于时序蒙特卡洛模拟算法,对IEEE RBTS BUS6-F1馈线改进系统进行可靠性计算。算例结果表明,分布式电源的接入能有效提高配电网可靠性,且分布式电源对于不同的用户负荷可靠性影响不同。