一种光伏电池最大输出功率的预测方法

光伏电池输出功率受温度和光强影响,且影响程度具有非线性特征。采用建立二维表的方式来预测光伏电池最大输出功率。该方法将预测功率转化为预测温度和光强,并根据温度和光强预测结果查表得到光伏电池最大输出功率。算例表明,文中所提出的方法能够较为准确地预测光伏电池最大输出功率。     

一种基于森林模型的光伏发电功率预测方法研究

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。     

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。     

光伏功率预测技术与方法

介绍光伏功率预测模型输入数据的相关性及数据预处理方法,研究不同短期光伏功率预测技术的基本原理和预测模型。     

光伏发电功率预测方法综述

精确的光伏发电功率预测是实现光伏电站顺利并网的关键。然而,太阳辐射、气候和地理条件等因素会导致光伏发电功率频繁波动,给功率预测带来了巨大挑战。针对当前光伏新能源大规模并网的需求,从多个角度探讨了光伏发电功率预测的意义及其分类,综述了人工智能技术在光伏发电功率预测领域的最新应用,包括传统机器学习、深度学习和组合方法,并进行了对比和总结。目前研究的主要类型是单一光伏电站的超短期和短期光伏发电功率预测,深度学习方法和组合方法是主流预测方法,数据预处理、特征提取和误差补偿是提升预测精度的关键因素。最后,展望了人工智能技术在光伏发电功率预测领域的未来趋势和研究创新点。     

一种基于双通道CNN和LSTM的短期光伏功率预测方法

针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,经融合层融合送入长短期记忆网络(Long Short-Term Memory, LSTM)进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差(Mean-Absolute Error, MAE)减小了12.3%,均方根误差(Root-Mean-Square Error, RMSE)减小了3%,实现了更高的预测精度。     

光伏发电功率预测方法的探索

首先,分析了影响光伏电站输出功率的各类气象因素,再根据物理原理建立了气象因素与光伏电池板电气特性之间的关系,最后,通过光伏电池的二极管模型及逆变器损耗模型实现了对光伏电站输出功率的预测,并根据某光伏电站的实测数据对功率方法进行验证。预测结果表明,该方法有较高的预测精度,能够满足工程应用的要求,且不受历史数据的限制,可用于新建光伏电站的功率预测。     

一种混合储能光伏发电系统的功率预测算法

对混合储能光伏发电系统进行了优化配置,加入完善的光伏功率预测算法,可以减少储能单元深度充放电的次数,延长储能单元的使用寿命,提高系统的能量利用率.提出了基于趋势移动平均法的超短期光伏功率预测数学模型,模型以部分历史数据为输入量,通过数据处理,得出预测量可提高和改进现有光伏功率预测算法的平滑效果.通过在多云天气环境下的实验,验证了该光伏功率预测算法可以达到及时跟踪并平滑光伏波动、减小储能单元容量的功能.     

光伏发电系统功率预测方法综述

提高功率预测水平是光伏发电系统并网的关键技术问题,对提高光伏发电开发利用、保证电网安全运行有重要意义。对光伏发电系统的功率预测方法进行了分析与总结,根据光伏发电的应用及需求,归纳了各类光伏发电系统功率预测方法的优点及不足,希望对我国光伏发电预测方法的发展起到一定的促进和推动作用。     

光伏功率预测技术

光伏功率预测是提高光伏电站控制、调度性能,保障高比率光伏发电接入的电网安全稳定运行的基础性关键技术。国内光伏功率预测技术研究和工程应用尚处于起步阶段,理清其技术脉络和关键问题尤其迫切。文中对光伏功率预测基本技术原理和关键问题进行了全面综述,首先介绍其基本原理和预测模式,然后总结了超短期和短期预测的主要技术要点,并着重对提升预测精度的相关研究进行评述,最后结合中国光伏功率预测发展现状,提出了值得研究和关注的光伏功率预测关键问题。     

一种快速的光伏最大功率点跟踪方法

太阳能电池的输出功率受外界温度、光照强度和负载影响具有特殊的非线性。为了使输出功率始终工作在最大点处从而提高系统的整体效率,最大功率点跟踪在光伏系统中有很重要的意义。通过理论仿真分析,在温度不变的情况下,太阳能电池的输出电压变化不大,随着光照强度的变化最大功率点近似在一条直线上,和输出电流成线性关系。所采用新颖最大功率点跟踪方法是根据估算的最大功率点和输出电流成线性关系把P-I输出曲线划分成两个独立区域,在区域Ⅰ和区域Ⅱ分别采用变步长的观测比较法和变斜率的观测比较法快速调节输出电流使其接近或者等于最大功率     

用于光伏系统的一种最大功率跟踪方法

光伏电池的最大功率点跟踪可以显著提高光伏电池的转化效率。提出一种快速、稳定的最大功率点跟踪方法。根据最大功率点功率对该点电压的微分为0,推导出最大功率点功率Pmax与最大功率点电压Umax的关系方程,称之为最大功率曲线方程。最大功率曲线与光伏电池固有的功率-电压(P-U)曲线的交点即是最大功率点。以当前工作点为起点,以自动变步长在P-U平面上搜索出该交点即跟踪到最大功率点。仿真结果表明该方法能快速、精确地跟踪到光伏电池的最大功率点,且消除了最大功率点处的振荡现象,提高了系统的稳定性。     

一种功率动态调整的光伏逆变器调压方法

越来越多的光伏电源接入配电网,导致在光伏有功出力较大时并网点电压升高甚至越限,严重影响了配电网的安全。针对由于光伏并网造成的电压越限问题,文中分析了电压越限机理,研究传统无功调压策略;在此基础上,融合有功限值确定方法,提出了基于功率动态调整的光伏逆变器调压方法,不同工况下光伏逆变器采用相应控制策略,实现逆变器有功输出最大、无功输出最佳。通过仿真验证了调压方法的有效性。     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于MA-SVM方法的短期光伏功率预测

光伏发电的功率波动性大,其准确预测对于大规模的光伏发电并网具有重要意义。利用相关性分析法与时间序列方法选取并预测了某电站所在区域的气象数据,得到光伏发电现场更为准确的气象信息预测值。利用主成分分析方法对气象数据降维,得到几种关键影响因子,最终利用改进的支持向量机(SVM)算法对多变量特征序列与光伏功率的关系建模。在验证试验中,使用训练后的支持向量机模型完成预测,并且对预测误差的产生进行了分析。通过与神经网络算法等各种算法的预测效果进行对比,MA-SVM方法的误差相对较小,证明了预测的有效性。     

计及雾霾影响的光伏功率预测方法

针对雾霾天气对光伏发电功率产生影响的问题,提出一种计及雾霾影响的光伏功率预测方法,介绍光伏电池的原理和光伏功率的影响因素,分析人工智能神经网络预测方法,并通过算例验证了该方法的可行性和实用性。     

一种短期光伏出力的区间预测方法

确定性的点预测在精度上无法满足大规模光伏并网的调度需求,基于此,提出一种光伏出力区间预测方法。针对光伏功率原始数据的强波动特性,采用变分模态分解(variational model decomposition,VMD)方法将其分解为若干个子序列,并依据样本熵理论,将复杂度较高的子序列重组为波动分量S,采用高斯过程回归(Gaussian process regression,GPR)法对分量S进行预测,得到其波动区间。考虑到GPR本身固有的缺陷,采用纵横交叉(crisscross optimization,CSO)算法对它的超参数寻优过程进行改进,而复杂度相对较低的其他VMD子序列代表光伏出力稳定分量,因此,采用支持向量机(support vector machine,SVM)法直接对它们进行确定性预测,最后通过重组各分量的预测值,得出光伏出力的区间预测结果。     

一种新的光伏系统最大功率跟踪控制方法

在大型光伏场中,从微观的角度看,可认为相邻的两光伏组件受到的光照强度相等,因而其最大功率点也大致相同。根据此特点,提出了一种新的最大功率跟踪控制方法,通过将相邻的两光伏组件的Boost电路串联,使其输出电流相等,实时地比较两Boost电路的输出电压,将输出电压的差值通过PI调节后转化为相应的占空比,动态地调节光伏组件的输出功率,实现最大功率点跟踪。该方法与传统的扰动观察法相比,只需要检测电压,不需要检测电流,控制简单;不需要微处理器和存储器,只需要简单的硬件电路即可实现最大功率的跟踪。     

光伏发电功率预测自适应建模方法研究

为了准确反映太阳能光伏发电中的光电转换模型,进而预测光伏发电出力,针对辐射、功率的历史数据,通过数据提取、数据过滤,采用相关系数检验、稳健回归等一系列的统计方法,给出了光伏电站动态光电转换建模方法。应用甘肃某光伏电站一年期的历史数据对模型进行测试,结果表明,该转换模型能够较好地反映辐射与功率之间的转换关系。模型在阴天和晴天两种模式下均适用,能较为准确地反映当时的光电转换效率。与原有静态模型比较,该转换模型能够有效提高预测的准确率。     

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。