共查询到20条相似文献,搜索用时 8 毫秒
1.
2.
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
3.
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。 相似文献
4.
5.
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。 相似文献
6.
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。 相似文献
7.
8.
9.
10.
11.
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 相似文献
12.
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。 相似文献
13.
14.
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。 相似文献
15.
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。 相似文献
16.
17.
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。 相似文献
18.
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。 相似文献
19.