基于神经网络的油田光伏发电预测方法

针对油田大规模发展光伏发电时,电网输出功率不稳定的问题,提出了基于神经网络的油田光伏发电预测方法。首先,对光伏发电数据进行归一化和反归一化的预处理;其次,构建带有输入层、隐含层以及输出层的BP神经网络预测模型;最后,根据光伏发电数据的对比序列和参考序列得出每个时刻的光伏数据权重,根据权重提取数据并代入预测模型,实现油田光伏发电预测。结果表明,所提方法的预测精度较高。     

基于GA-BP算法的光伏系统发电功率预测

随着光伏产业的迅速发展,光伏发电已成为可再生能源的生力军.然而,光伏系统的发电功率受不同天气状况的影响,具有不确定性和周期性等特点.为准确预测光伏发电功率保证电网的稳定性,本文采用GA-BP(Genetic Algorithm-Back Propagation)算法对光伏系统发电功率进行预测分析,结果表明,本文提出的模型和方法可以较为准确的预测光伏系统的输出功率,具有一定的实用价值.     

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.     

基于蚁群算法实现太阳能光伏发电功率预测

针对评估太阳能光伏发电功率的问题,提出了基于蚁群算法的可靠性分析算法,设计出基于该算法的预测模型体系构架,使得光伏发电的信息传递的稳定性大大增强.通过遗传算法模型中反复的迭代运算,使用户不断寻找太阳能光伏发电功率输出的最优解,最后计算出的数据通过计算机处理系统存储,供用户查询、检索、使用.试验表明,采用蚁群算法有效地寻找太阳能光伏发电功率输出信息的最优解,稳定性好.     

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。     

分布式光伏发电并网数字化建模与仿真北大核心

为了改善光伏发电性能,需要对分布式光伏发电并网控制技术进行研究。提出基于MPPT控制的分布式光伏发电并网建模方法,建立光伏电池模型,在所建模型的基础上研究光伏发电系统输出功率受光照强度变化的影响。并利用MPPT控制方法跟踪分布式光伏系统的最大功率点,提高分布式光伏系统在运行过程中的输出功率。通过滑膜控制对光伏并网逆变器进行控制,保持电网电压与光伏发电系统输出电流的同步性,实现分布式光伏系统并网发电。通过仿真,验证了所提方法可有效地实现光伏阵列最大输出功率的跟踪,满足分布式光伏发电并网系统的运行要求。     

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。     

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。     

基于分组粒子群的光伏最大功率点跟踪方法

针对光伏发电系统在复杂遮阴条件下,光伏输出P-V特性曲线呈现高度非线性,采用基于分组粒子群算法（particle swarm optimization, PSO）和优化的扰动观察法(perturb and observe, P&O)相结合的MPPT（maximum power point tracking）算法进行光伏发电系统输出功率的提升。提出的最大功率点算法分为两个阶段,首先通过将混合蛙跳算法(shuffled frog leaping algorithm, SFLA)的分组思想引入到传统粒子群算法,并采用改进后算法实现近似全局最大功率点的快速搜索,以加快最大功率点跟踪的收敛速度和稳定性。然后,采用优化的扰动观察法实现最大功率点附近的动态精确跟踪,同时减少后续最大功率点跟踪过程中的计算量。通过在不同阶段发挥两种MPPT算法的各自优点来提高光伏最大功率点跟踪控制的效率。最后进行光伏系统遮阴条件变化的仿真实验,与传统粒子群算法相比,提出MPPT方法具有较快的跟踪速度和稳定的功率输出。     

基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

深度森林与人工神经网络在光伏出力预测的比较

针对在光伏功率预测中传统人工神经网络预测模型需预先确定结构、对训练样本数量要求高、调参复杂等缺点,应用一种多粒度级联森林的预测模型,并分析了温度、气象因素对光伏功率的影响,以温度、湿度、风速等因素作为输入对光伏输出功率进行预测,对输入数据进行归一化处理,将预测的结果与传统人工神经网络对比,经过多种验证指标对结果评估,表明模型的预测效果和模型结构均有良好的表现。     

一种光伏发电系统效率优化策略的研究

研究优化光伏发电,提高发电效率问题,针对目前光伏发电系统效率低,南于发电受到外界光照强度和温度影响,发电功率不稳定,且最大功率点跟踪(MPPT)过程在不同时域分别对快速性和准确性具有不同要求,为了提高稳定性,提出一种带有调整因子的双模模糊控制策略,采用两种模糊控制相结合的组合模型,使PWM信号开关的占空比D总能根据外界条件的变化迅速调节至合适的值,从而在外界条件发生变化时将光伏阵列的输出功率迅速跟踪达到并稳定的最大值,解决了既要快速跟踪又要精确定位的问题,提高了光伏发电系统的效率.通过在MATLAB中建立模型,并进行仿真,结果表明双模模糊控制策略能够根据外部环境的变化,快速、准确地跟踪光伏阵列的最大功率点.适时地改变模糊规则,提高了控制精度,改善了控制效果.     

高海拔地区光储发电系统的建模与仿真

高海拔地区具有丰富的光照资源,然而高海拔地区的光照随机性(云层雾气等影响)以及温差变化大等特点也使光伏出力波动明显.在计及光照强度和温度影响的基础上,利用实际光伏系统工程模型和储能系统CIEMAT模型建立光储混合并网发电系统;进一步通过储能装置的功率给定值跟踪光伏的功率变化实现系统的功率平衡.基于MATLAB/Simulink平台搭建系统仿真模型,模拟高海拔地区的外界环境变化,仿真结果表明系统能够在外界环境强烈变化情况下保证输出功率平衡,从而有利于高海拔地区光储发电系统的稳定高效运行.     

新能源配网发电功率自适应控制策略研究

配网发电功率控制技术在控制过程中没有考虑有功功率与无功功率的环境,导致输出功率波动较大。为此,提出光伏新能源并网接入的配网发电功率自适应控制策略。首先,通过研究光伏新能源并网接入的有功功率与无功功率的输出特点,完成配网的无功规划,在光伏阵列总功率的功率-电压(P-V)特性曲线中随机插入三个样本点。然后,利用二次插值算法,寻找出配网的最大功率点。最后,采用变换器-渐波器结合的自适应控制策略,实时跟踪最大功率点,完成配网发电功率的自适应控制。试验结果表明,所提策略的电流响应平滑、电流跟踪误差小、输出功率与平均输出功率波动小。控制后的发电系统平均输出功率比控制前增加了180 W左右,并且捕获效果更佳。该策略为配网发电功率的自适应控制提供解决方案。     

组合爬山法与变论域模糊控制的MPPT算法

光伏发电系统的输出功率随外界环境的改变而变化,若控制光伏列阵始终在最大功率点处工作,将能提高光伏发电效率。在传统单一的MPPT算法中,无法同时满足系统的动态性和稳态性,为此拟提出一种将爬山法与变论域模糊控制组合算法,并通过Simulink仿真分析,分别对比研究了爬山法、模糊控制法、变论域模糊控制以及组合算法跟踪光伏列阵最大功率点的输出特性。仿真结果表明:组合控制算法能快速、稳定地追踪最大功率点。     

基于RBF-BP神经网络的光伏MPPT研究

针对光伏电池的输出特性受光照强度、温度等因素的影响而具有的非线性特性的问题,为了提高光伏发电系统的发电效率必须对其输出功率进行追踪,并且为了克服MPP追踪过程中收敛速度慢和精度低的缺点,提出了一种RBF-BP组合神经网络对光伏阵列最大功率点追踪的算法。首先通过对光伏电池输出特性的研究,确定了温度和光照强度是影响光伏电池最大功率点输出的主要因素。然后考虑这两个因素作为RBF-BP组合神经网络的输入来设计光伏阵列最大功率点追踪系统。最后,利用Matlab建立该系统的仿真模型,并进行仿真研究与分析。仿真结果表明,该系统具有最大功率点追踪的精度高,响应速度快等优点。从而有效地实现了对光伏最大功率点的追踪,提高了光伏发电系统的发电效率。     

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...     

基于聚类和LSTM的光伏功率日前逐时鲁棒预测

太阳能作为具有高可用性且用之不竭的清洁能源,被认为是最有前途的能源替代品之一。光伏是最广泛使用的太阳能技术。然而,由于太阳能的间歇性,光伏发电具有不确定性。随着全球光伏装机容量的不断提升,光伏功率预测的准确性对于电网管理和电力调度至关重要。该文提出一种基于K-means聚类分析和长短期记忆神经网络(long-short-term memory, LSTM)的光伏发电功率日前逐时鲁棒预测方法。首先采用K-means算法以日前天气预报数据为特征将光伏数据分为晴空天气类型和阴雨天气类型,再针对相应类型数据建立基于长短期记忆神经网络算法的预测模型。同时,为增强预测模型的鲁棒性,选择具有强鲁棒性的Huber损失函数用于模型训练,并选择计算简单且收敛速度快的鲸鱼优化算法对Huber损失函数中的超参数进行优化。将所提出的预测方法与其他方法进行预测性能的比较,结果表明,提出的方法获得了较高的预测精度。     

基于滑模控制的独立光伏发电系统控制策略

针对独立运行的光伏发电系统,提出了基于滑模控制的最大功率跟踪(MPPT)策略;针对光伏微源输出功率随机性引起的逆变器输入侧直流母线电压波动,通过储能控制实现电压稳定;针对负载变化引起的系统输出电压波动,设计了系统输出电压电流双闭环控制器。通过MatLab/Simulink对提出控制策略进行了仿真验证。分析结果表明,所提出滑模控制策略可实现光伏电池的MPPT;储能控制策略可有效抑制光伏微源输出功率波动引起的直流母线电压波动;输出电压控制策略能稳定系统电压,确保安全可靠运行。     

光伏热发电机可调电阻试验负载研制

根据光伏发电装置出厂试验的需求,研制了一种可调电阻性试验负载.该负载以PLC为系统控制器,以16组电阻负载构成主电路,同时结合信号检测、采集、显示及保护等功能环节构成.样机实验表明,该试验负载能根据光伏发电装置输出电压的大小自动调节其负载大小,实现了负载功率与发电装置输出功率的有效匹配,其各项性能指标满足试验要求,具有较好的应用价值.