基于相似日和最小二乘支持向量机的光伏发电短期预测

光伏发电预测对于减小并网光伏发电系统对电力系统的影响具有重要意义。针对光伏系统的发电特性,根据影响光伏发电出力的因素,提出选取相似日的方法,通过计算分析相似度筛选出与预测日特征相似的历史数据,与天气数据一同作为预测模型的训练样本。利用最小二乘支持向量机(LS-SVM)进行光伏发电预测,并通过某微电网示范工程的光伏系统数据验证,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,对光伏发电预测具有一定的参考价值。     

雾霾条件下光伏发电量预测的迭代优化与经济性分析

光伏发电易受温度、辐照度等环境因素的影响,而近年来雾霾（PM_2.5浓度较高）污染严重,大幅降低了光伏系统发电量。因此研究雾霾天气下光伏发电量预测方法对光伏市场的发展具有重要意义。通过采集上海某户用光伏屋顶的全年光伏数据,利用控制变量法及雾霾相似日原理,拟合分析PM_2.5的浓度与发电量损失指数之间的关系,通过迭代原理优化光伏发电量预测算法,并给出雾霾环境下光伏发电量预测公式,修正光伏收益预测模型。结果表明：优化后的光伏预测发电量算法可提高发电量预测结果的精确性和稳定性。通过对3种光伏经济模型进行收益分析,验证了迭代优化算法可有效提高光伏收益预测的精确性。     

结合相似日GA-BP神经网络的光伏发电预测

为了高精度预测光伏发电,减小并网光伏对电力系统运行的不利影响,本文引入相似日的概念,对预测日的天气信息进行分析,根据天气信息、季节等数据,通过聚类的方法,在历史数据中筛选出与预测日特征相似的历史发电数据和天气数据,作为预测模型的训练样本,并采用GA-BP神经网络对系统进行建模以及光伏发电预测。通过对某光伏系统数据验证,计算了预测误差。分析结果表明该方法具有较高的预测精度。     

一种实用的超短期光伏发电预测方法

为了实现光伏发电系统发电量的在线快速预测,提高光伏并网后电网的稳定性及安全性,本文提出了一种基于相似日典型变化趋势的超短期光伏发电预测方法。通过选择相似日,获得光伏发电功率的典型变化趋势,结合线性外推方法,得到超短期发电预测数据。最后,通过实际的算法案例进行验证,表明本文所用方法具有一定的推广价值。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

基于相似日和回声状态网络的光伏发电功率预测

光伏发电功率预测对提高光伏电站控制、调度性能以及保证电网的安全稳定运行具有重要意义。提出一种基于相似日和回声状态网络（ESN）的光伏发电功率预测模型。首先运用相关性分析法对光伏发电功率的影响因素进行了深入分析,并筛选出其主要影响因素;再利用主要影响因素的历史气象信息建立气象特征向量,通过计算灰色关联度（GRA）寻找合适的相似日;最后运用ESN创建预测模型,利用相似日历史数据训练ESN,而后对预测日的输出功率进行逐时预测。算例表明,对比传统模型,GRA-ESN模型具有更高的预测精度和更好的可行性。     

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。     

基于气象因子权重相似日的短期光伏功率预测

基于相似日的短期功率预测是一种有效的光伏预测方法,而相似日选取的准确性直接影响预测结果的准确性。通过k均值聚类算法将天气类型聚类识别,并利用光伏功率与气象因子的相关性分析提取出主要气象因子,再根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重,并给出带权重的相似度计算公式,从而获得相似日样本训练集。然后根据训练集建立遗传算法优化的RBF-BP组合神经网络模型进行预测,通过与传统的相似日选择算法进行比较,证明该模型具有更高的精度和适用性。     

基于博弈论赋权的光伏功率组合预测模型

针对单一预测方法的局限性,本文采用物理方法和统计方法相结合的预测方法,建立光伏发电功率组合预测模型,并在预测模型中考虑电站的限电及检修计划。采用理论功率法、基于改进相似日的BP神经网络法、基于改进相似日的支持向量机对预测日的光伏功率分别进行预测,通过提出的博弈论组合赋权法来计算各模型的权重。通过某光伏电站的实际数据验证,计算分析了预测误差,结果表明,通过组合赋权法得到的权重克服了单一权重的片面性,使得综合评价更合理、科学,在限电情况下仍具有较高的预测精度,对光伏发电系统的功率预测具有一定的学术价值和工程实用价值。     

基于相似日理论和BP神经网络的光伏发电功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时长和气温等多种气象因素的影响,具有随机性和波动性。对各种气象影响因素进行合理的选取和处理,寻求光伏发电系统输出功率与各种相关因素之间的内在联系,对光伏发电系统未来的输出功率进行科学的预测。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,提出选择光伏阵列输出功率相似日的方法,设计基于相似日原理的BP神经网络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验证。结果表明,模型有较好的预测准确度,具有一定的实用性及可行性。     

基于相似日的ARMA-LM的光伏发电功率预测

本文采用综合预测的方法,对数据进行相似日处理,大大降低了不同天气类型对光伏功率预测的影响,通过ARMA时间序列结合LM神经网络,弥补了LM神经网络在线性部分(趋势、季节变动、循环波动)的不足,大大提高了预测的精确度和稳定性。分别对晴天、阴天和雨天三种天气类型下的光伏功率进行预测,并将其与灰色预测、LM神经网络模型进行对比。结果表明,结合相似日的时间序列神经网络光伏发电功率预测模型,在光伏发电功率预测领域具有更高的精度与稳定性。     

双面光伏发电装置的双轴支架结构与控制策略

单面光伏电池发电量偏低,为增加光伏系统发电量,利用其反面可发电特点,配置光反射器,实现双面光伏发电。反射器结构采用双轴跟踪支架,并基于此结构建立了双轴跟踪下双面电池的发电量计算模型。通过计算分析发现改进结构后的双轴跟踪双面光伏系统的日发电量比固定式单面光伏系统提高了90%以上。在主动前置跟踪策略下,对双轴支架转动次数、转动位置以及转动动作时间分布进行分层优化,根据日期和天气灵活地降低支架转动次数,有效简化了双轴支架的控制,此时系统发电量仍可达到精确跟踪下的90%以上。     

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。     

基于相似日算法及集成学习的短期光伏预测模型

随着分布式发电系统的日益增多,光伏发电预测逐渐成为影响电力系统运行及调度的关键.本文提出一种基于改进相似日算法和集成学习的短期光伏发电混合预测模型.应用改进的相似日算法在历史数据中找到相似日,将相似日数据和气候因素等作为Bagging集成学习的输入变量,对其进行建模训练.通过公开的光伏数据集进行验证,并与传统的神经网络...     

基于神经网络的光伏阵列发电预测模型的设计

随着光伏发电系统容量的不断扩大,光伏阵列发电预测技术对于减轻光伏阵列输出电能的随机性对电力系统的影响具有重要意义.本文提出了一种加入天气预报信息的神经网络发电预测模型的设计方案.结合历史发电量数据和气象数据分析了影响光伏阵列发电量的各项因素,采用光伏阵列的发电量序列、日类型指数和气温建立了神经网络预测模型,并对训练好的模型进行了测试和评估.预测结果表明,预测模型有较高的精度,能够解决光伏发电的随机化问题,提高系统的稳定运行能力.     

基于分布式光伏发电量预测分析的运行优化策略研究

针对目前分布式光伏发电系统发电量的影响因素较多,不易预测,与其他发电系统之间运行优化策略不完善等问题.文章参考国内外光伏行业大数据应用的典型经验,基于光伏发电数据和用户的负荷需求数据,提出了一种基于RBF神经网络的光伏发电量预测和负荷预测模型,通过对数据的归一化处理和对天气因素的量化和相似度处理,对未来一段时间内的光伏用电量和负荷进行预测;采用青岛市某光伏电站的实际数据进行学习和预测,取得较好效果,从而验证了模型的可行性.此外通过对负荷的预测和对发电量的预测数据,以经济性能最优为目标制定了运行优化策略,实现了光伏发电的有效利用,使发电侧和负荷侧功率平衡,大大降低了网损和线损,提升了分布式光伏用电可靠性和经济性.     

基于模糊支持向量机的光伏发电量预测

受到光照强度、温度、湿度和风速等气象因素的影响,光伏发电系统出力具有波动性、间接性和不可控性等特点,光伏发电量预测精度较低。对此,本文采用模糊理论结合支持向量机的方法预测光伏发电量。首先通过模糊C均值聚类算法计算模糊隶属度,然后对原始样本进行聚类,生成模糊样本,再采用支持向量机对模糊样本进行训练,最后利用预测模型预测未来几天的光伏发电量。MATLAB仿真实验预测显示:相对于经典的BP神经网络模型和支持向量机模型,模糊支持向量机预测模型更稳定且预测结果误差更小;该模型克服了传统光伏预测方法中存在的极易陷入极小值以及不确定气象因素影响等缺陷,提高了系统预测精度。     

基于相似日误差校正的光伏功率预测

光伏发电的功率预测是电网运行调度普遍关注的问题。光伏电站大量历史数据的挖掘和利用为波动的光伏功率建模提供了新方向。在采用气象相似日进行光伏发电功率预测的基础上,引入了相似日的光伏发电功率预测误差对预测日的光伏功率进行校正,更进一步提高了光伏发电功率预测的准确性。     

基于灰色理论的光伏发电系统出力预测方法

本文对电动汽车充电站光伏发电系统发电能力进行分析,假定光伏发电并网逆变器可以保证光伏池板阵列始终工作在输出最大功率的工况下,建立光伏发电系统模型,利用灰色预测理论建立了光伏发电系统的发电量预测模型,对光伏发电系统的未来发电量进行预测。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。