基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于空间相关性的分布式光伏实用化功率预测及误差分析

低压接入的分布式光伏容量激增,其出力随机性对调度部门的负荷预测以及电网安全运行带来严峻挑战。提出一种适用于低压接入的分布式光伏功率预测方法,首先基于空间相关性原理为分布式光伏匹配集中式光伏电站作为功率预测参照,通过日发电量数据建立二者的出力关系,推算分布式光伏在运容量;随后利用参照电站的功率预测值对分布式光伏的功率预测进行初步推算;定义分布式光伏容量折算系数,详细推导出该方法的3类误差来源,提出一种基于分时电量比的误差修正策略。以张家口地区分布式光伏为例,验证了修正后的功率预测方法具有较好的预测精度。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于多变量相空间重构和 RBF 神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。 首先,基于相关性分析, 选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用 C-C 法和虚假邻近点( false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数( radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和 RBF 神经网络的光伏功率预测模型。 算例分 析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

Effect of PV Output and Load Power Forecast Error on Operation Design of PV System with Storage Battery

In the past, we have proposed battery operations in a photovoltaic (PV) system using PV output and load power forecasts. In the proposed method, we utilized multiobjective optimization for a residential area model that includes a large number of PV systems with storage batteries. To practically demonstrate that the proposed operation effectively improves economic and environmental efficiency, it is indispensable to evaluate the effects of forecast error on the operation design of a PV system with storage battery. In this paper, we propose a method for evaluating the robustness of battery operation taking account of the statistical characteristics of forecast errors. Some numerical examples, which show the validity of the proposed method, are also presented.     

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R²高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

一种适用于光伏高渗透率地区的太阳辐照短时预测技术研究

在光伏高渗透率地区,气象变化会引起光伏发电系统的出力波动,对该区域电网电压稳定及运行控制产生威胁。为此,论文设计了一套以STM32F103为核心处理器的微气象数据采集终端,选配光照和温湿度等智能传感器对光伏高渗透率地区的气象数据进行检测,并采用GPRS和http透传模块将测量数据上传至由Nginx服务器和Apache服务器混合组成的数据综合处理单元。其中,Nginx服务器主要负责数据的接入与分配,Apache服务器主要负责数据的分析与处理。最后,在Matlab中采用NARX神经网络模型对测量数据进行太阳辐照短时预测仿真研究。结果显示,所提的方案能够有效预测光伏电站周边区域的太阳辐照短时变化情况,可为新能源发电的功率变化预测和配电网优化运行控制提供一定支持。     

基于XGBoost的双层协同实时校正超短期光伏预测

针对超短期光伏预测应对突发过程性天气时准确性普遍下降,而通过实时气象监测校正辐射值对设备要求较高、对精细化预报依赖性强的问题,以数据驱动为理念,提出了基于XGBoost的双层协同实时校正超短期光伏预测模型。根据大气运动的连续演变性和自相似性,从机器学习角度推演气象整体连续变化的过程,提升预测精度。首先,基于数值天气预报(NWP),在基准层建立强相关气象特征的预测模型。然后,在实时层由临近时段内的基准层动态预测情况挖掘潜在的气象变化规律,并推测未来预测时段气象因素对于光伏出力的影响,对时段内基准预测值进行逐点校正。采用中国杭州滨江一实际光伏电站实采数据进行算例分析,分别与基于NWP特征学习、时序分析、误差推移的XGBoost预测模型以及决策树、支持向量机、长短期记忆网络这3种经典预测模型相比较,结果表明所提模型具有更高的超短期光伏预测精度。     

基于ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测.本文建立了一种基于ARMA模型的光伏电站预测模型.结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较.大量的数据表明,ARMA预测模型有较高的精度,能够...     

基于数据驱动的风电功率预测误差解耦评价方法

针对风电功率预测中多环节交互影响的复杂性,文中提出一种风电功率预测误差的精细化评价方法,旨在利用数值天气预报、气象观测数据、风电运行数据等多源异构信息,定量分析功率预测各关键环节对预测总误差的影响程度。首先,解析了风电功率预测运行机理,将预测过程分解为数值天气预报、风能-功率转换建模、预测结果校正3个关键环节。然后,设计了基于核密度估计的风电异常数据分区间辨识方法,建立了风资源-电力特性的简化模型。最后,基于气象、电力等多源运行数据驱动,提出功率预测各环节等效误差的量度方法。算例结果表明,所提方法可定量评估各环节预测对功率预测误差的影响。     

基于GWO-MLP的光伏系统输出功率短期预测模型

准确预测光伏系统的输出功率对微网系统的优化调度具有重要意义。为了减小光伏系统输出功率短期预测误差,文中采用多层感知器(Multi Layer Perceptron, MLP)神经网络作为主要的预测载体,将光照强度、温度、风速数据作为MLP的输入,光伏系统的输出功率作为MLP的输出,采用光伏电站的历史数据对MLP进行训练,并针对MLP在初始化权重和偏置量中存在的随机性问题,提出运用改进灰狼算法(Grey Wolf Optimizer, GWO)对MLP的初始权重和偏置量进行优化,减小MLP随机初始化的误差。仿真结果显示,文中提出的GWO-MLP在均方误差(Mean Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)方面较MLP、Elman神经网络、支持向量机(Support Vector Machine, SVM)、极限学习机(Extreme Learning Machine, ELM)都有明显提高,表明所提方法可以准确预测光伏系统的输出功率。     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。     

Prediction Interval Estimation of Demand Curve in Electric Power Distribution System

In a distribution line, power system control and power equipment investment are planned based on a measured power system current. However, recently the mass introduction of photovoltaic (PV) make it difficult for us to precisely measure the demand curve that is a current consumed by electrical equipment because the reversal power flow from PV systems is superposed. Therefore, the prediction of demand curves of distribution line is indispensable for power system management. In addition, it is also necessary to estimate the reliability of the predicted values as well as predicted current itself. In this paper, we propose the estimation method of the prediction interval that is the index of reliability based on the past demand curve database. The feature of the proposed method based on Just‐In‐Time (JIT) modeling make it possible for us to accurately estimate the prediction interval by the normalized database of demand curve. In this paper, some numerical examples are presented, which demonstrate the effectiveness of the proposed method.     

Forecasting of solar irradiance with just‐in‐time modeling

PV power output mainly depends on solar irradiance, which is affected by various meteorological factors. Thus, it is required to predict solar irradiance in the future for the efficient operation of PV systems. In this paper we develop a novel approach for solar irradiance forecasting, in which we combine the black–box model (JIT modeling) with the physical model (GPV data). We investigate the predictive accuracy of solar irradiance over a wide controlled area of each electric power company by utilizing measured data from 44 observation points throughout Japan provided by JMA and 64 points around Kanto provided by NEDO. Finally, we propose an applied forecasting method of solar irradiance to deal with difficulties in compiling databases. We also consider the influence of different GPV default times on solar irradiance prediction. © 2012 Wiley Periodicals, Inc. Electr Eng Jpn, 182(4): 19–28, 2013; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22338     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

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。     

基于数值特性聚类的日前光伏出力预测误差分布模型

光伏出力预测误差难以避免且不容忽视,预测误差分布的准确描述有利于电力系统的优化调度和稳定运行。基于此,分析预测误差分布与其影响因素之间的相关性,提出一种基于数值特性聚类的日前光伏出力预测误差概率模型。利用模糊C均值聚类法对预测误差的整体水平进行分类,再依据预测出力的数值特性进行分区处理,并建立了适用于估计误差分布的通用型高斯混合模型。该分析方法综合考虑了气象因素和预测出力数值特性对预测误差的影响,可以较为准确地估计不同时刻的预测误差,给出预测误差分布的置信区间,且不受预测算法和光伏电站地理信息的限制。基于比利时和中国西北地区光伏系统历史数据的分析结果表明,所提误差模型可描述光伏出力预测误差分布偏态性和峰度多样性,效果优于其他分布模型,能够用于描述不同情况下的日前光伏出力预测误差分布。