基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

蚁群BP神经网络的光伏电站辐照强度预测

为了提高光伏电站辐照强度的预测精度,本文提出了基于蚁群改进BP神经网络的预测方法。首先,分析了辐照强度的影响因素,从中筛选出纬度、海拔、天气类型、日照时数、温度、空气质量、相对湿度、风速、大气压强等最优影响因子作为模型的输入;其次,通过建立新的传递函数,采用最小均方误差能量函数法进行自动优化隐含层数;按月份建立蚁群改进BP神经网络模型,对辐照强度进行预测。预测结果与BP神经网络模型进行对比,表明该方法有效提高了辐照强度的预测精度。     

适应分布式光伏动态特性的改进电能计量模型

针对分布式光伏发电模型,建立了分布式光伏并网信号数学表征式;基于时分割乘法器(TDM)电能计量模型,分析电能计量算法在谐波和电压波动条件下的误差产生理论,设计适应分布式光伏动态特性的有功计量修正模块,给出基于Hilbert变换的无功功率计量方法;将光伏并网信号数学表征式与改进的电能计量模型结合,提出了适应分布式光伏动态特性的改进电能计量模型,通过仿真验证了所提模型的有效性。     

基于BP神经网络的光伏发电功率预测研究

随着光伏并网容量的增加,光伏发电功率的波动对电网调度运行的影响不容忽视,电网对光伏发电功率预测精度提出了更高要求。在分析了光伏发电功率波动影响因素的基础上,基于BP神经网络建立光伏发电功率预测模型。通过大唐吐鲁番光伏发电实测数据验证该方法,预测结果 RMSE为3.544,表明该方法可以准确预测光伏发电功率。     

结合相似日GA-BP神经网络的光伏发电预测

为了高精度预测光伏发电,减小并网光伏对电力系统运行的不利影响,本文引入相似日的概念,对预测日的天气信息进行分析,根据天气信息、季节等数据,通过聚类的方法,在历史数据中筛选出与预测日特征相似的历史发电数据和天气数据,作为预测模型的训练样本,并采用GA-BP神经网络对系统进行建模以及光伏发电预测。通过对某光伏系统数据验证,计算了预测误差。分析结果表明该方法具有较高的预测精度。     

考虑光伏预测误差兼顾平抑波动的双层储能运行策略

为满足新能源发电并网要求、保证电力系统稳定运行,针对间歇性新能源发电的不确定性及波动性给电网设备稳定运行带来的安全问题,文中提出一种以补偿预测误差和平抑并网功率波动为目标的双层规划模型。首先,构建容量与误差满足率特性曲线得出最优储能容量,提高储能系统的经济性。其次,上层规划模型以预测误差最小为目标,建立储能系统充放电功率分配策略,并考虑储能电池循环寿命,设置非必要补偿值以避免其过充过放;下层规划模型以并网波动率最小为目标函数,采用模型预测控制算法对补偿后的光伏出力进行超前滚动优化控制,实现对光伏出力波动的平滑。最后,以上述模型为基础建立模型评估指标函数,以新疆某21 MW光伏电站为例进行算例分析,验证了策略的可行性。     

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变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

低压分布式光伏接入对台区电能质量影响分析

针对分布式光伏发电具有出力波动大、易受到天气变化影响的缺点,分析了光伏并网过程中的控制策略问题,研究了分布式光伏接入低压台区后对电能质量影响的机理因素,并通过实例仿真,得到了不同容量以及不同位置的分布式光伏电站接入低压台区后对用户电能质量的影响规律,为实际应用提供了理论基础。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

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。     

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。     

光伏发电有功功率预测及其在电网频率控制中的应用

针对光伏发电有功功率预测准确率低的问题,提出了基于马尔科夫修正的小波神经网络光伏发电有功功率预测算法。将历史数据分为晴朗、多云等天气类型,分别进行训练,建立网络模型,再根据预测日天气预报采用不同的网络模型预测。光伏的大规模并网将会对电力系统的有功平衡造成很大的扰动,调度部门借助光伏发电有功功率的准确预测进而对自动发电控制进行超前控制可以有效降低频率的波动,减轻自动发电控制机组的调节压力。实际算例对算法进行了验证,并仿真了有功扰动下的频率恢复特性,表明了基于光伏发电有功功率预测的自动发电控制超前控制方法的有效性。     

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。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日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加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。     

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。     

基于修正晴空模型的超短期光伏功率预测方法

文中旨在提高晴空或有薄云这类小波动场景下的光伏功率超短期预测精度.虽然,太阳辐射的日周期性和年周期性使光伏功率序列具有确定性分量,但是电站和当地气象的详细参数随时间变化且难以获取.为此,提出一个仅依赖少量参数的改进晴空功率计算模型,并在此基础上构建了在线更新参数的预测算法,预测小波动天气下光伏电站未来4h的功率.采用中国吉林省某电站的数据进行了测试,结果表明:所提模型得到的晴空功率曲线可以较准确地拟合小波动天气下的电站出力,而基于在线更新参数的光伏预测结果可以使小波动天气第4个小时的预测误差降低到约3.78％,弥补了相邻晴天方法在一些场景下误差超过5％甚至达到10％的不足.文中所提方法不仅可以提高小波动天气下光伏功率超短期预测精度,也为复杂天气条件下的预测提供了更准确的基准值.