考虑多因素影响的光伏发电功率智能预测研究

为了提高光伏发电功率预测精度，减少光伏发电功率预测误差，提出考虑多因素影响的光伏发电功率智能预测方法。首先分析光伏发电功率预测研究进展，选择光伏发电功率影响因素，并采用相关性分析法确定影响因素权重值，然后根据权重值对光伏发电功率样本数据进行处理，采用最小二乘支持向量机对样本进行学习，建立光伏发电功率预测模型，最后采用Matlab工具箱进行光伏发电功率预测的仿真对照测试，结果表明，所提方法可以科学、准确描述光伏发电功率变化趋势，光伏发电功率预测精度高于当前经典方法，是一种性能优异的光伏发电功率预测建模技术。     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,该文首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

基于时空相关性的光伏发电功率爬坡预测方法

传统的光伏发电功率预测方法爬坡预测可靠性较低,准确性不高.于是提出一种时空相关性的光伏发电功率爬坡预测方法.在典型日理想光伏发电出力归一化曲线提取基础上,采用线性插值方法生成光伏发电理想出力归一化曲线.通过蒙特卡洛法生成光伏发电随机分量,结合光伏发电与随机分量生成光伏发电序列;通过偏移爬坡率及变量状态划分方法构建信度网络节点变量和各节点变量的状态集;利用贪婪搜索算法从已有变量的状态集中获取最优信度网络结构后,进行光伏发电序列学习,完成光伏发电功率爬坡事件预测.实验结果表明,上述方法可有效完成光伏发电序列生成,并且爬坡预测可靠性较高,可实现多种气象条件下的光伏发电功率爬坡预测.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

一种基于数字孪生的管控平台

针对我国光伏发电项目迅速扩容面临的可靠性问题,提出一种基于数字孪生的发电功率预测软件,解决缺少简单易用、精度好的预测方法的问题。研发数字孪生管控平台,将孪生模型与气象数字模型结合构建数字孪生体,包括数据采集、模拟仿真、算法预测、分析优化等功能模块,实现信息可视化管理。创新发电功率预测方法,提升系统稳定性,提高施工效率与质量水平。经天津市重点工程,武清区150MW和西青区120MW智能光伏项目实际应用,预测准确,具有很高实用性和推广价值。     

基于模型辨识的BP神经网络在光伏系统MPPT中的应用

光伏电池作为光伏发电系统的重要组成部分,研究其模型的准确性并对其最大功率点进行预测与跟踪,对于光伏发电效率的提高具有重大意义;首先根据光伏电池的内部结构和伏安特性建立其数学模型,并对所建立的模型进行参数辨识,进而得到模型输出与测量信息偏差最小的参数值,验证模型的准确和有效性;根据模型所反映的规律,将温度和光照强度作为输入变量,最大功率点对应的电压作为输出变量,构建了用于MPPT的神经网络模型;神经网络经训练后对最大功率点电压进行预测与跟踪,结果表明构建的神经网络具有良好的适应性。     

基于机器学习的光伏输出功率预测方法研究

光伏发电机组容量在电力系统中的比重日益增大,预测光伏出力对电力系统调度具有极其重要的意义。因为影响光伏发电系统的许多因素随机性较高,使得预测工作难度加大。传统的预测方法对数据的依赖性较强,数据的完整性对预测过程影响很大,因此需要更严谨、便捷的方法使光伏功率的预测工作更加准确、实用。通过对光电站历史数据的探索性分析,对比多种回归预测模型,对影响功率的因素建立神经网络与非线性拟合的组合预测模型。仿真结果表明,组合分步法可以显著降低预测误差,对电网规划、提升新能源发电竞争力、优化调频具有一定的意义。     

基于混合方法的并网光伏发电量预测模型的研究

为了较准确的对并网光伏系统进行发电量预测,提高电网的稳定性和安全性,对并网光伏系统采用物理和统计相结合的混合方法,在确定光伏发电量的主要影响因子后,分析光伏系统各个重要组成部分的具体物理结构和性能,利用光伏系统的历史测量数据,通过MATLAB的Fitting功能对物理模型进行训练,从而获得光伏系统输出功率和影响因子之间的关联,确定光伏输出功率的预测模型.除此之外,通过精确度分析判断模型的预测精度,以便于对光伏系统做出合理地后期维护.     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

基于初始化非负矩阵分解的光伏发电预测

光伏发电作为一种可再生能源发电技术,使用规模日益扩大,光伏发电的精准预测已成为数据挖掘的重要研究领域,但是光伏发电本身的随机性和不确定性使得现有的预测功率难以达到理想的高度,对电网运行的稳定性造成了不利的影响。为了探索预测日的发电功率、历史日的发电功率以及气象数据等相关因素之间的关系,解决光伏发电难以准确预测的问题,提出了基于初始化非负矩阵分解的光伏发电预测方法,将影响光伏发电的因素建立关联关系,根据模糊C均值聚类算法为预测模型的构建提供较好的初值。将此模型应用到真实数据集上,分别对两种天气情况进行了从早上7点到晚上6点15分,46个采样点的预测。通过与基本的非负矩阵分解等算法进行对比实验,表明该模型能够有效提高光伏发电预测精准度。     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广。在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素。针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段：第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷的波动性特征,对总体趋势进行修正,进一步提升预测的准确度。在某地区连续五年的电力负荷数据集上进行了实验验证,结果表明级联LSTM模型能够大幅降低预测误差。该模型可以为分布式光伏电站提供较为准确的负荷预测,能够为其智慧运维服务提供重要支持。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

基于聚类算法和转换网络的光伏短期功率预测

精准的光伏功率预测对优化光伏电站的运行和管理以及提高光伏发电的效率具有重要的作用。本文提出了一种基于聚类算法和转换网络的光伏短期功率预测方法。该方法首先基于自编码器的无监督聚类算法对光伏短期功率数据进行了预处理,以降低光伏出力数据本身的不稳定性对功率预测的影响。之后,该方法使用具有自注意力机制和多头注意力机制的转换网络进行光伏短期功率的预测。转换网络由编码器和解码器组成。转换网络相比传统的循环神经网络(RNN)更善于挖掘时序之间的关系。注意力机制使得转换网络具有并行计算的能力,可以加快网络训练的速度。最后,在澳大利亚光伏功率与气象数据中心 (DKASC)的光伏数据集上验证了本文提出的光伏短期功率预测方法。实验结果表明,本文提出的方法具有令人满意的预测精度。     

基于模块化回声状态神经网络光伏发电量预测

针对光伏发电的不确定性、间歇性给电力系统并网运行带来的安全问题,提出了一种基于模块化回声状态网络模型对发电量进行预测.首先利用模块化神经网络按季节建立预测子模型,再将子模型按相同日类型进行数据划分后,与平均气温一同作为样本,利用回声状态网络对子模型进行训练和发电量预测,最后集成输出结果.结果表明:此预测模型在日类型相同时预测误差较小,而在日类型不同时预测误差较大,但与ESN和BP预测模型相比均具有更高的预测精度和更快的预测速度.     

基于注意力机制的CNN-BiGRU短期光伏发电功率预测

精确的光伏发电短期预测在微电网智能能源管理系统中起着至关重要的作用;文章提出一种基于注意力机制的CNN-BiGRU短期光伏发电功率预测模型;其核心思想是通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU模型捕捉光伏时序数据集的双向信息流,学习光伏特征的动态变化规律,引入Attention机制为CNN-BiGRU的隐藏层输出赋予权重,减少因时序过长造成的信息丢失,并且突出强相关特征的影响,减少弱相关特征的影响。在美国俄勒冈州本德市公开数据集上做了验证,并与BP神经网络、GRU、BiGRU、基于Attention机制的BiLSTM以及基于Attention机制的BiGRU进行对比,实验结果表明所提模型在预测精度上更有优越性。     

改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.     

浙江桐乡光伏电站临近区域净太阳辐射变化特征及预测技术研究

针对目前对太阳辐射变化特征及预测研究相对较少的现状,且太阳辐射对光伏发电具有最直接的影响,因此研究小区域太阳辐射时间变化规律、预测等,对光伏发电量准确估算缺乏一定指导意义。本文利用桐乡光伏电站临近区域1950-2020年净太阳辐射资料,分别采用最小二成分、M-K突变、EEMD周期分解、BP神经网络模型,对其整体、年代际时间变化特征、周期演变规律,并对比多种预测模型对该区域净太阳辐射预测的适用性。研究表明：净太阳辐射整体上呈递减趋势,每10年单位m2减少12.125MJ,且80年代、00年代递增趋势最为显著,1956年、2011年为净太阳辐射突变的年份;净太阳辐射存在多个时间尺度周期变化规律,分别为2-3年(短期)、10年(中期)、50年(长期);所建立BP神经网络模型,预测较LSTM、DNN等算法均较高,能较好的应用于对该光伏电站净太阳辐射预测业务中。本文研究结论,能够较好的揭示小区域净太阳辐射演变规律,对光伏电站发电量精准测算以及预测工作均具有重要意义。