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。     

基于相似日与EPSO LS-SVM的光伏发电功率预测

针对光伏电站发电功率随机性和不稳定性导致的预测难的问题,提出一种基于相似日与进化粒子群优化(EPSO)最小二乘支持向量机(LS-SVM)的发电功率预测模型。考虑到不同天气类型下气象因素和发电功率差异大,提出加权灰色关联投影法,进行相似日的选取;基于LS-SVM算法较强的泛化能力以及小样本问题处理能力,建立预测模型,并用EPSO模型的惩罚参数和核函数参数,提高预测精度。根据国外光伏电站实测数据建立模型并评估。结果表明:提出的模型具有较高的预测精度和更好的适用性。     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,该文首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于相似日和MDS-PSO-ELman的光伏功率超短期预测

光伏电站系统输出功率受环境因素影响较大,具有很大的不确定性,对并网安全稳定运行具有重大影响,为此提出了一种基于MDS-PSO-ELman搭建的功率预测模型。首先,通过灰色关联度选取相似样本日,然后通过MDS给数据降维,提高数据分类的准确性并消除冗余数据。最后,针对ELman神经网络预测模型权值和阈值盲目随机的缺点以及局部最优化选择问题,采用PSO优化预测模型初始参数。同实际光伏发电系统功率相比,该研究模型能够有效预测各天气类型下的光伏发电输出功率且精度较高。     

基于改进PSO算法的光伏发电系统MPPT控制策略

光伏发电系统运行在局部阴影条件下,其P-V曲线呈现多个峰值,为了保证光伏发电系统能够工作在最大功率点下,提出一种改进粒子群优化(PSO)算法的最大功率点跟踪(MPPT)的控制策略.改进算法采用非线性自适应的学习因子和加速因子同时采用随机惯性权重.仿真实验和真实实验验证所提出的算法在光伏发电系统的MPPT控制中具有较快的...     

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。     

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.     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。     

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

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。