风光发电功率与用电负荷预测方法综述

风光发电功率与用电负荷预测是保障电力系统安全稳定运行的重要工作.随着新能源渗透率与需求响应负荷的不断增加,电力系统源荷两端的不确定性均日益增强,不仅为预测工作带来了新的挑战,也对预测精度提出了更高的要求.当前关于风、光、荷预测的综述论文主要集中在单一对象,少数同时涉及上述两到三个对象,但仅在文章中对不同对象的预测方法分...     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类,但点值预测方法难以适应光伏功率的随机性和波动性,因此,该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先,通过灰色关联度筛选出不同环境条件的相似日样本集,并利用EEMD将光伏出力序列分解成不同的本征模态函数;然后,利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化,并利用分位数回归法对光伏的输出功率进行短期区间预测;最后,通过算例数据验证所建立模型的有效性。     

中小功率风光互补发电系统的测试与评价

一测试与评价的重要意义为保证边远地区供电系统的稳定性,风光互补发电系统得到广泛应用。风力发电与光伏发电两个系统的匹配是非常重要的,它不仅影晌保证率,也影响经济性。这样就需要对系统进行实际匹配测试     

基于CNN-VMD-PCA特征融合的光伏发电功率预测研究

为了较为准确地预测光伏发电功率,提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)提取光伏光电数据深度特征,然后用变分模态分解方法(Variational mode decomposition, VMD)分解数据原特征,再把分解后的特征和深度特征融合,用主成分分析法(Principal component analysis, PCA)提取融合后特征的主成分,最后用Xgboost(Extreme gradient boost, Xgboost)模型进行功率预测。根据对所提模型的实测评估,并与其他预测模型对比,得出基于CNN-VMD-PCA特征融合的预测模型具有较高预测精度,其拟合优度达0.932,能够得到更可靠的功率预测结果。     

基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测

针对光伏发电系统预测精度不高等问题,建立以门控循环单元（GRU）为基础的预测模型。使用社交网络搜索算法（social network search）和注意力机制（attention）相结合对构建的门控循环单元进行参数优化,采用K-均值对天气类型进行划分,提出材料生成算法（material generation）对变分模态分解中的模态分解数量和惩罚因子进行寻优来确定最佳组合,实现对初始数据的分解操作。利用社交网络搜索算法超参数优化后的门控循环单元对时序特征进行提取,引入注意力机制对时序输入中重要信息的关注进行加强。选用新疆某光伏电站2021年运行数据进行分析,仿真结果表明：所提出的MGA-VMD-SNSAttention-GRU预测模型能有效提升光伏输出功率预测精度。与SVR、Elman模型相比,平均MAPE分别降低8.14%和8.59%。     

可再生新能源风光互补发电系统的研究应用

文中介绍可再生新能源风光互补发电系统的主要构成及主要相关设备的工作原理,从该技术的理论构思入手浅谈了近些年来国内外对于可再生新能源风光互补发电系统的研究与应用,相信风光互补发电系统是未来电力产业时代的宠儿,其发展潜力无限。     

风光互补发电系统的协调控制

通过对风光互补发电系统能量流动和运行特性的分析,归纳总结出系统的4种运行模式和15种工作状态,提出了一种包括最大功率跟踪控制、负载功率跟踪控制、蓄电池充放电控制和系统保护运行等控制策略的协调控制方案。该控制方案根据气象条件、负载和蓄电池工况,进行不同运行模式和工作状态之间的转换,并完成相应的控制策略,从而实现风光互补发电系统的优化及可靠运行。仿真结果验证了该文所论述协调控制方案的正确性和可行性。     

风光互补发电系统功率输出的自适应控制

针对风光互补发电系统在运行过程中出现的供电功率空缺以及直流母线电压不稳定问题,依据光伏为主力发电源,风为辅助发电源的发电方式,提出了以风力发电的输出功率补偿光伏发电的输出功率的自适应控制方案。鉴于发电系统中固有的非线性特征和运行中的参数变化,对风力发电系统采用自适应控制实现对互补发电系统中所需功率的差额实时补偿,保证直流母线电压的平稳。为实现蓄电池充电稳定性,结合蓄电池非线性充电模型设计了充电电流跟踪控制器,确保对期望充电电流的跟踪。理论分析和仿真结果均表明,在互补发电系统运行中采取的控制策略的可行性。     

基于EMD与ELM的光伏电站短期功率预测

针对传统光伏电站功率预测方法精度不高的问题,提出一种基于经验模态分解(EMD)与极限学习机(ELM)组合功率预测方法。该方法中,首先利用EMD分解分辨率为15 min的功率序列,得到一组相对平稳的分量,减少不同功率影响因素间的相互影响;然后针对各分量的不同特性,考虑相应气象因素作为输入,利用ELM神经网络建立不同的预测模型,分别预测各分量值;最后对ELM预测的各分量值求和,从而得到最终预测结果。算例仿真表明,该方法比传统的预测方法具有更高的预测准确度。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于滚动的BP神经网络的光伏发电功率预报

鉴于准确预测光伏发电功率可减少大规模光伏并网发电对电网造成的冲击,以河南省某并网的光伏发电站7~11月共5个月的数据为例,通过建立非滚动的和滚动的BP神经网络模型,分别进行数值预报辐射订正和发电功率预报,并对预报的72h结果分为第1、2、3d分别进行检验。结果表明,滚动的BP神经网络对辐射订正和功率预报均具有较好的泛化能力,方法简便、实用,能够有效降低光伏发电功率的预报误差。     

基于RBF神经网络整定PID的 风力发电变桨距控制

为了改善变速恒频风力发电系统在恒功率输出运行区域内的动态性能,在分析系统变桨距控制研究现状的基础上,基于RBF神经网络（RBFNN）整定PID控制理论设计风力发电系统变桨距控制器,建立了风力机及变桨距机构模型,以发电机转速测量值与额定转速相比后误差为输入设计控制器。在随机风作用下对设计的RBFNN整定PID控制器进行仿真,结果表明基于RBFNN整定PID控制理论的变桨距控制器具有良好的动态性能及对风速扰动的鲁捧性,能够有效改善风力发电系统变桨距控制效果。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于卷积神经网络与LightGBM的短期风电功率预测方法

考虑到风力发电存在的波动性和不确定性,提出一种基于卷积神经网络(CNN)和LightGBM相结合的风力发电机功率预测模型.先对相邻风电机组原始数据进行时序特征相关性分析,构建新的特征集;其次,应用CNN从输入数据中提取信息,并通过比较实际结果调整网络参数;再次,考虑到单一卷积模型在预测风电时的局限性,将LightGBM...     

基于风速时空信息的BP神经网络

基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。