基于优化BP神经网络光伏出力短期预测研究

太阳能拥有丰富的资源,而且分布广泛,现已被广泛应用到各种应用中,光伏发电已是一种可靠可行、可扩展的重要可再生能源利用的方式,因此对光伏出力进行精准的预测意义重大;从宁夏市某光伏发电站获得了一年的光伏发电数据与气象等因素,选取四月至五月的数据进行研究预测;针对BP神经网络的收敛时间长,容易陷入局部极小值等缺点;建立单一BP神经网络预测模型,基于遗传算法(GA)优化BP神经网络的GA-BP预测模型与基于狼群算法(WPA)优化的BP神经网络的WPA-BP预测模型;选择平均相对误差作为误差评估指标,结果表明,3种预测模型均能对光伏电站的发电功率进行预测,但是单一的BP神经网络模型误差较大,晴天时,误差为5.1%,经遗传算法改进后的预测误差为4.9%,较单一模型提高了0.2%的精度,而WPA-BP预测模型误差为4.4%,预测精度高于前者;同时多云天和雨天的时候,均为WPA-BP模型的预测误差小,稳定性高,具有一定的研究价值。     

基于BP神经网络的太阳辐射度预测

太阳辐射预测准确,能够对光伏发电的输出功率做出较为准确的预测,将为电网的运行和控制提供重要参考依据。建立了一种用于预测太阳辐射的BP神经网络仿真模型,通过利用实际数据对该模型进行训练,实现了对未来太阳辐射的预测。     

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...     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

合肥市降水变化趋势分形特征分析与预测

研究降水量变化规律对分析水循环、社会生产、防灾救灾都具有重要意义.为分析合肥地区自建国以来降水量变化规律的特点,在应用小渡变换的分解和重构消除了合肥市1953～2007年降水量时同序列噪声基础上,将R/S法和非参数统计检验法(Mann-Kendall)相结合,研究该地区降水量变化的突变点、变化趋势、非周期循环长度等趋势特征,从多角度、多层次揭示该地区降水量的演化规律,并预测未来合肥降水量变化趋势.结果显示:(1)合肥市降水系统在1970～1980年发生突变;(2)春、秋两季降水量有下降趋势,夏、冬两季降水量有明显的上升趋势,预测未来合肥降水变化维持这一发展趋势.     

用电信息采集系统中分布式光伏发电量缺失值修复方法的研究

受采集设备故障、通信信道不稳定以及外界干扰等诸多因素的影响,用电信息采集系统在采集分布式光伏的发电量时会发生失败,造成用电信息采集系统中分布式光伏的发电量存在缺失值,进而影响基于分布式光伏发电量所开展的各类分析,如分布式光伏发电量预测、分布式光伏所在台区的线损分析等。为解决上述问题,本文提出了“同一地理区域内分布式光伏的发电量曲线具有很强的相关性”这一推论,并通过计算某地理区域的周发电量曲线相关系数矩阵验证了该推论的正确性。基于该推论,本文提出了周发电量趋势曲线的概念,以表征某一地理区域内分布式光伏发电量曲线的波动规律。基于周发电量趋势曲线提出了一种用电信息采集系统中分布式光伏发电量缺失值的修复方法,通过算例分析验证了该方法有效可行。     

基于BP神经网络的并网光伏电站有功功率控制

光伏电站的输出功率受到天气等环境因素的影响,具有不确定性,提出一种大型地面并网光伏电站有功功率控制方法。利用BP神经网络对大型地面并网光伏电站输出功率展开预测,通过学习光伏电站发电单元组件的功率输出特性,获取各个组件的最大输出功率,利用递归的方式依次对光伏逆变器展开计算,获取逆变器的运行数。根据计算结果向光伏电站内的逆变器下发相应的动作指令,当光伏电站内所含逆变器全部完成指令动作后,实现对大型地面并网光伏电站有功功率控制。经实验验证表明,所提方法可以对不同环境下的光伏电站输出功率展开准确预测,且全时刻发电达标率较高。     

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.     

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障.在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性.所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推.研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势.     

基于双分支特征提取的太阳辐射预测方法

针对太阳辐射预测过程中气象特征复杂、时序特征难以充分利用而导致光伏功率出力扰动的问题，提出一种基于双分支特征提取的太阳辐射逐日预测方法。气象分支采用多尺度卷积神经网络提取动态变化的多维气象特征；时序分支使用双向门控循环网络初步提取时序特征，将学习到的双向时序特征输入门控循环网络进一步学习其潜在规律；基于注意力机制自适应地赋予各分支合适的权值，优化多尺度卷积的提取操作和气象、时序特征的融合过程。经过实验验证了该预测方法的准确性和有效性。     

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.     

基于神经网络的配网系统光伏输出功率控制分析

随着目前世界上的能源需求愈发扩大,光伏发电凭借其储备量大,且清洁无污染的特性,逐步成为目前新能源发电的主流,但是,由于光伏发电效率受到环境光照强度的影响,因此,其输出功率时时发生变化,所以,目前光伏电池的最大功率跟踪(Most Power Point Trace,MPPT)与控制技术已经成为了业界最为关注的问题。针对该问题,本文利用BP神经网络技术对光伏电池的最大输出功率进行检测以及控制,通过对光伏系统以及人工神经网络的基本原理进行介绍,引入了BP神经网络的基本概念,最后搭建了基于BP神经网络的配网光伏输出功率控制系统,通过仿真,证明了其理论的可行性与正确性,能够为我国光伏产业提供一定帮助。     

基于PSO-DE-BP的光伏发电功率短期预测

提高光伏发电功率预测精度对保障智能电网安全稳定运行有重要意义;针对传统BP神经网络存在预测精度不高且收敛速度慢的弊端,提出一种基于粒子群(PSO)差分进化(DE)并行计算优化BP神经网络的光伏发电短期预测方法;首先分析影响因素重要程度,通过带权重的欧式距离筛选相似的训练样本集;其次,对粒子群分组,通过粒子群和差分进化混合算法对粒子组内和组间优化,以保证种群多样性、提高预测稳定和精度、避免局部最优;然后,建立预测模型,通过基于spark的内存计算平台,将PSO-DE-BP算法并行优化以提高算法运行效率;最后,根据不同天气类型的预测结果对模型进行分析验证,此方法比PSO-BP、BP算法模型具有更高的稳定性和预测精度。     

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。     

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.     

水平窗口能量计算的股市趋势预测算法

水平趋势持续时间短,方向变化的不确定性大,水平状态下趋势预测成为股市趋势预测的难点。基于水平窗口的能量计算,提出一种水平窗口趋势预测的BP神经网络算法（WE-BPNN）。算法首先给出短线趋势划分标准,在此基础上引入水平窗口定义;然后,通过对K线组合能量和均线组合能量进行量化计算,融合这两种能量得到窗口能量;最后,将窗口能量引入到BP神经网络预测窗口方向。由于能量对于趋势的作用具有滞后性,存在能量蓄而不发的情况,会影响到趋势判断的准确性,因而在WE-BPNN算法的基础上给出引入能量调节因子的BP神经网络（EF-BPNN）算法,动态调整窗口能量因子对于趋势预测的影响权重。在上证数据上的实验结果表明,EF-BPNN算法具有更好的性能。     

基于BP神经网络的光伏阵列温度预测

针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。     

基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测

为提高光伏发电功率预测精度，提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集，通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷，提出一种改进的自适应混沌变异粒子群算法(IPSO)来优化Elman神经网络，将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型，对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析，结果表明，IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。