基于遗传算法小波神经网络的光伏微网发电预测

准确预测光伏微网在未来某确定的时段内的发电功率,对电力系统稳定和经济运行有着重要意义。文中通过对比发电功率和气象等历史数据,分析了在光伏发电中天气、太阳辐射及温度等因素对发电功率预测的影响,同时综合遗传算法全局快速寻优特性与小波分析的时频局部特性,建立基于遗传算法的小波神经网络光伏微网发电预测模型。结果表明,基于遗传算法的小波神经网络模型的学习能力和泛化能力更强,同时把气象预测数据作为网络的输入有利于提高模型的预测精度。     

Analysis of spatial smoothing effect of short‐term fluctuation of global solar radiation based on data including quantization error

Photovoltaic (PV) systems are attracting attention as one of the promising countermeasures against global warming and the environmental issues. However, the generation output from PV systems is generally unstable and unpredictable. Therefore, large penetration of PV systems may cause some serious impacts on power system operation, such as load frequency control, voltage regulation, etc. Estimation of the influences of PV system installation is becoming important, but it requires simultaneous multipoint solar radiation measurements. The Japan Meteorological Business Support Center has provided 1‐minute meteorological data observed in Japan, but its solar radiation data includes quantization errors. This paper proposes a regeneration method for solar radiation data including quantization errors. It also analyzes the spatial smoothing effect of global solar radiation fluctuations. © 2012 Wiley Periodicals, Inc. Electr Eng Jpn, 180(3): 55–63, 2012; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21274     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

A PSO-ANFIS based Hybrid Approach for Short Term PV Power Prediction in Microgrids

This paper proposes a hybrid approach based on a combination of particle swarm optimization (PSO) and adaptive neuro-fuzzy inference systems (ANFIS) for one-day-ahead hourly photovoltaic (PV) power generation prediction in microgrids. The increasing penetration of solar PV energy into electric power generation systems imposes important issues to address resulting from its intermittent and uncertain nature. These challenges necessitate an accurate PV power generation forecasting tool for planning efficient operation of power systems and to ensure reliability of supply. In this paper, a combination of PSO and ANFIS is used to develop a PV power prediction model. To demonstrate the effectiveness of the proposed method, it is tested based on practical information of PV power generation data of a real case study microgrid in Beijing. The proposed approach is compared with two other prediction methods. Evaluation of forecasting performance is made with the persistence forecasting method as a reference model, and results are compared with actual scenario. The proposed approach outperformed back propagation neural network and persistence based forecasting methods, demonstrating its favorable accuracy and reliability.     

基于改进EMD及Elman算法的短期光伏功率预测研究

本文提出一种基于改进EMD算法及Elman算法相结合的光伏功率预测方法。首先对历史数据根据辐照时长及辐照强度进行聚类分析,确定待预测日的所属类别及对应的辐照强度待预测时段;其次根据主环境特征量在待预测日所属类别中构建同类型日时间序列,利用改进EMD算法对同类型相似日时间序列进行中值滤波,并按波动程度进行模态分解,同类型模态划归一类,最后采用Elman算法对各模态类进行辐照强度预测,进而得到光伏逐时发电功率值。该方法旨在提高弱辐照情况下对辐照强度预测精准度,经验证,该方法适应了不同类型日的辐照强度预测,能够在一定程度上提高预测精度。     

基于数据驱动的太阳辐射估计和预测研究与展望

准确可靠的太阳辐射估计和预测信息对指导光伏电站规划、光伏发电功率预测等具有重要意义.数据驱动方法能够有效学习长期历史辐射数据特性且不涉及辐射机理的复杂公式分析,是当前太阳辐射估计和预测的主流方法之一.针对基于数据驱动的太阳辐射估计和预测研究,从其原理和关键技术方面进行比较论述,具体包括估计和预测模型的输入、主流数据驱动模型以及模型的精度提升方法,并针对当前太阳辐射估计和预测方法的研究现状及不足进行总结与展望,以更好地配合光伏发电技术领域内的研究和应用.     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。     

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。     

Forecasting of solar irradiance with just‐in‐time modeling

PV power output mainly depends on solar irradiance, which is affected by various meteorological factors. Thus, it is required to predict solar irradiance in the future for the efficient operation of PV systems. In this paper we develop a novel approach for solar irradiance forecasting, in which we combine the black–box model (JIT modeling) with the physical model (GPV data). We investigate the predictive accuracy of solar irradiance over a wide controlled area of each electric power company by utilizing measured data from 44 observation points throughout Japan provided by JMA and 64 points around Kanto provided by NEDO. Finally, we propose an applied forecasting method of solar irradiance to deal with difficulties in compiling databases. We also consider the influence of different GPV default times on solar irradiance prediction. © 2012 Wiley Periodicals, Inc. Electr Eng Jpn, 182(4): 19–28, 2013; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22338     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

Evaluation of photovoltaic modules considering spectral solar radiation

For the optimum design of photovoltaic power systems, it is very important to estimate their annual maximum amount of output. In general, the annual maximum amount of output has been calculated by using photovoltaic module efficiency under irradiance of 1 kW/m² at AM 1.5 with solar cell temperature of 25°C. Since the spectral distribution of solar radiation changes with weather, season and time, the efficiency of solar cells is not always constant. This paper describes a method evaluating the maximum amount of output in photovoltaic modules, ‘the spectral method,’ by using the measured annual spectral solar radiation and the spectral response of various photovoltaic modules. The calculated values using the spectral method agreed well with the measured values for amorphous silicon photovoltaic modules from March 1991 to February 1992. The spectral method proved most effective for optimum design of amorphous silicon photovoltaic power systems.     

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。     

基于正态分布特性的太阳日总辐射数据细化

介绍了一种气候学方法计算研究地区太阳日总辐射。利用太阳辐射观测站观测到的数据拟合出代表周边地区的每日太阳辐射量变化趋势,并与该地区太阳日总辐射量相结合,得出每目各整点时刻间的太阳辐射量分布,为研究地区的光伏发电规划奠定基础。美国尤金地区的算例结果验证了本文所提方法的有效性。     

人工鱼群神经网络在电力系统短期负荷预测中的应用

短期负荷预测结果对电力系统的经济效益具有重要影响.人工鱼群算法是最新提出的新型寻优策略,具有良好的克服局部极值、获得全局极值的能力.文章建立了一种新的人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,再将该神经网络用于短期负荷预测.对某电力系统进行的负荷预测结果表明,该方法与传统的BP神经网络预测方法相比具有较强的自适应能力和较好的预测效果.     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

太阳能热气流发电系统非稳态耦合数值分析

太阳能热气流发电技术是目前国际太阳能研究领域的热点之一，但对带有蓄热层的太阳能热气流发电系统的研究并不多。该文分别建立了集热棚、烟囱和蓄热层的流动与传热数学模型。以西班牙试验电站模型为例进行的非稳态耦合数值计算结果表明：土壤具有较强的蓄热作用且能很好调整系统昼夜发电峰谷差；太阳辐射强度对系统散热损失的影响相当显著，太阳辐射越强，散热量越大；集热棚的顶棚是系统散热损失的主要部件，散热热流密度约为太阳辐射的10%。     

太阳能光伏发电的中长期随机特性分析

掌握光伏发电的随机特性对于含光伏发电的电力系统规划及运行具有重要意义。提出了一种光伏电站出力随机特性的分析方法,将光伏发电出力的确定性因素与不确定因素相分离,首先采用全球太阳辐射强度模型对光伏发电出力的确定性成分建模,同时引入光伏出力遮挡因子的概念对光伏发电出力的不确定性成分建模,从而形成光伏发电出力的完整模型描述。采用实证分析的方法,从概率分布、波动特性等方面研究了光伏出力遮挡因子的随机特性,并分析了光伏出力的空间相关性。     

光伏出力随机性分量的提取和统计特性分析

准确刻画光伏出力的随机特性对分析光伏电站并网的影响具有重要的作用。然而受日地运动和大尺度天气过程影响,光伏出力整体上却表现出日周期性和年周期性而并非一个单纯的随机序列,因此从光伏出力序列中区分规律性与随机性特征并正确提取出其随机性分量显得尤为重要。根据不同物理因素的影响,基于太阳辐射模型和最小二乘原理,提出了一种光伏出力随机性分量的提取方法。基于该提取方法,利用甘肃及德国的光伏实测数据对所提随机性分量进行了详细的统计特性分析。     

光伏发电功率的智能预测算法

光伏发电系统的出力具有强烈的波动性,为了减轻其对电网的冲击,有必要进行光伏出力预测。提出了一种基于灰色关联度分析（gray relational analysis, GRA）和最小二乘支持向量机（ least square support vector machine , LSSVM）方法对光伏出力进行预测,该方法是传统直接预测和间接预测方法的结合,分析了辐照度、天气类型等对光伏输出功率的影响。通过GRA选择训练样本,使样本更全面地反映预测日的天气属性;然后运用LSSVM提前24 h预测输出功率,利用天津市太阳能光电建筑示范项目的实测数据对该预测模型进行了测试与评估,算例结果表明,所提出的GRA-LSSVM的预测方法具有较高的预测精度。