基于改进型比例谐振控制器的光伏发电系统最大输出功率预测方法

常规的光伏发电系统输出功率预测方法主要是对海量的发电数据进行提取,仅能够保证短期负荷的预测精 度,影响最终的预测效果,因此设计了基于改进型比例谐振控制器的光伏发电系统最大输出功率预测方法.提取光伏 发电系统最大输出功率映射特征,建立不同工况与输出功率的映射关系,确保输出功率的长期预测.基于改进型比例 谐振控制器构建稳态功率预测模型,调节光伏发电系统的输出电流与输出电压,确保最大输出功率的稳态预测.采用 对比实验的方式,验证了该预测方法的预测精准度更高,能够应用于实际生活中.     

基于改进BP神经网络的光伏发电系统输出功率短期预测模型

随着光伏发电系统的大规模应用,其输出功率预测技术可以有效地缓解该类随机能源对电力系统的不利影响。提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行直接预测。通过对影响输出功率各项因素的分析,得出了预测模型输入变量选择的理论依据;为了提高模型在各种天气条件下的预测精度,提出了相似日选择算法和训练样本确定方法;针对传统BP学习算法易陷入局部极小点、收敛速度慢等缺陷,利用增加动量项和可变学习率相结合的方法对其进行了改进。最后通过预测结果分析,验证了所提模型和算法的有效性。     

一种平滑光伏并网发电系统输出功率的方法研究

随着光伏并网发电占大电网比重的增加,光伏输出功率间歇性波动对大电网的影响越来越大。对平滑光伏发电系统输出功率的方法进行了研究,提出了一种减小光伏并网输出功率波动的方法,通过加入微型燃气轮机与光伏阵列组合形成可控微源来平滑光伏输出功率。进一步研究了微型燃气轮机的慢动态特性,采用改进加权移动平均模型对光伏输出功率进行预测,提高微型燃气轮机响应速度,减小光伏并网系统输出功率波动。通过在PSCAD/EMTDC平台中进行仿真分析,验证了该方法的有效性。     

基于云图特征的超短期光伏发电功率预测模型

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

基于过采样和随机森林的高压隔离开关发热故障诊断

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

光伏发电系统输出功率计算方法研究

准确计算光伏发电系统的输出功率,对光伏发电系统发电量的监管和光伏并网系统与电网调度、电力负荷等的配合问题具有重大意义。根据光伏发电系统的结构和工作原理,提出了光伏发电系统输出功率计算方法,可以计算任意太阳辐射量、环境温度、系统结构下的光伏发电系统输出功率。通过与真实光伏电站运行数据的比对,结果显示了光伏发电系统输出功率计算方法的适用性与准确性。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于混合灰色关联分析-广义回归神经网络的 光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。     

基于功率预测的光伏组件阴影故障类型判定

为有效区分光伏组件中存在的软、硬性阴影故障,提出一种基于功率预测的光伏组件阴影故障类型判定方法。首先,该方法采用经验模态分解(EMD)方法对光照强度进行分解,挖掘其数据趋势项,为灰色模型(GM)预测提供应用基础;其次,根据改进人工鱼群算法优化灰色模型(IAFSA-GM)和滚动式数据更新模式对光伏组件的输出功率进行预测,从而判断出软、硬阴影故障类型;最后,在阴影类型判别的基础上,通过对光伏组件实际输出功率值和内部等效参数模型所得最大输出功率理论值之差进行分析,进一步诊断硬性阴影的严重程度。仿真和实验结果验证了上述方法的有效性和正确性。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

一种计及光伏发电功率不确定性的实时调度方法

大规模光伏发电注入电力系统,其功率的不确定性给实时调度带来了挑战,进而对光伏发电功率和负荷预测的精度提出了更高的要求。针对此问题,文章提出一种计及光伏发电功率不确定性的实时调度方法。首先,基于实时调度的有效稳态安全区域法和线性潮流模型,提出一种计及电压幅值的实时调度模型;其次,通过鲁棒优化等方式将原问题转化为确定性的线性规划问题求解;然后,根据所提方法,分析光伏发电功率和负荷预测精度对于电力系统实时调度安全性和经济性的影响;最后,通过改进IEEE 9节点系统和IEEE 118节点系统进行算例分析,说明所提方法的有效性和高效性。     

基于SEELM多专家模型的分布式光伏系统负荷预测方法

针对分布式光伏系统负荷所具有的非线性和非平稳等数据分布特性,基于神经网络与挂起规则,提出一种基于多模型集成式极限学习机的分布式光伏负荷预测方法。首先,设计多个神经网络作为子专家模型,并随机选取每一个网络的初始输入权值。构建挂起规则,依据数值波动范围在相应时间节点划分各神经网络的类别。针对其中数值波动较大的大误差网络,基于对应数值概率分布实施在线动态更新,以实现训练误差、输入权值的双维度同步优化。最后,将各个子专家模型的优化结果进行整合,并汇总输出,从而降低初始权值选取步骤中潜在误差波动的不利影响。基于某地区实际分布式光伏系统实施实证仿真,结果表明：在光伏负荷高波动这一特殊数据环境下,所提出预测模型在预测精度以及输出稳定性两方面均能够保持一定优势,可进一步推动并改善光伏接入背景下系统负荷预测的性能与效果。     

基于特征因素选取的IVMD-GLSSVM光伏出力短期预测

针对短期光伏发电功率预测输入特征数据冗余,抗干扰能力差,预测精度受限等问题,提出了基于特征因素选取的IVMD-GLSSVM短期光伏出力预测模型。首先利用GRA-KCC对影响特征因素进行分析,提取影响光伏发电功率的极相关特征因素,随后采用IVMD对光伏发电数据进行分解,降低数据非线性和波动性对预测精度的影响。然后将各模态分量分别输入GLSSVM预测模型进行预测,求得的各子序列预测结果叠加即为最终预测结果。最后在 MATLAB中对该预测模型及其他模型进行算例验证和误差分析,结果表明采用所提预测模型抗干扰能力强,预测精度高。     

基于BP-ANN和出力波动特性的光伏系统短期功率预测模型

目前,光伏系统出力预测在精度方面还远不能满足电力系统调度的要求,已成为阻碍光伏发展的主要瓶颈问题之一。考虑到光伏系统的高度非线性特性,难以用传统的数学模型表征其输出功率与外界条件之间的映射关系。首先以传统反传播神经网络作为建模基础,建立光伏系统出力初步预测模型,再基于由光伏系统历史出力数据统计分析得到的波动量统计规律对初步预测结果进行修正,建立了具有较高精度的光伏系统出力预测模型。进一步进行算例仿真验证,结果表明所建立的光伏系统出力预测模型能够较好地反应现场实际情况。     

基于天气分型的风光出力互补性分析方法

基于天气分型的风光出力互补性定量分析方法能够科学指导风光互补发电系统优化调度。针对现有天气分型方法中主成分分析法无法提取非线性特征,分布领域嵌入(t-SNE)算法未考虑样本实际分布等不足,提出了基于核主成分分析(KPCA)和自组织特征映射(SOFM)神经网络的天气分型及风光出力互补性分析方法。首先,基于数值天气预报数据,利用KPCA进行特征向量提取;然后,以特征向量为输入条件,构建基于SOFM神经网络的天气类型划分模型;最后,基于波动互补率和爬坡互补率评估指标,从波动性和爬坡性2个角度定量分析不同天气类型下风光出力互补程度和最佳并网容量比例。结果表明不同天气类型下风光出力波动互补性及最佳并网容量比例差异明显,验证了所提方法的有效性。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于通径分析和相空间重构的光伏发电预测模型

光伏发电的短期预测对电网稳定运行、经济调度和可再生能源调节具有重要意义。但光伏功率输出受辐射强度、温度等气象因素影响,具有较大的波动性和随机性。为了提高预测精度和不同天气类型的普适性,文章提出了一种基于支持向量回归结合相空间重构和相似日选择的混合光伏输出预测算法。采用通径系数分析对历史数据集进行处理,量化光伏出力和气象因子的相关性,并确定主导气象因子作为相似日选择的标准。随后,利用相空间重构技术对非线性光伏功率时间序列进行处理,抑制了原始数据集的混沌特性。用实际数据验证了该算法的预测有效性。结果表明,与传统的支持向量回归模型相比,文中的预测模型可以进一步提高预测精度。此外,文中算法在晴天和阴雨天的情况下都表现出良好的性能。     

基于FCM和CG-DBN的光伏功率短期预测

针对光伏输出功率非线性、波动大、不稳定等特征引起光伏功率短期预测不精确的问题,本文提出了一种基于相似日聚类和利用共轭梯度法(CG)改进深度信念网络(DBN)的组合模型预测方法。首先利用FCM聚类算法将原始数据按照隶属度进行相似日聚类,随后根据类别进行CG-DBN预测模型的建模,最后利用该模型进行光伏输出功率的短期预测。本文将方案应用于浙江龙游发电站,并将预测结果与传统预测模型进行了比较。最终得出,FCM和CG-DBN组合预测模型在光伏功率短期预测中的性能优于其他模型。