模型与数据混合驱动的分布式光伏超短期功率预测

针对光伏短期预测不能考虑云团因素以及云团移动机理建模复杂的问题,对模型与数据混合驱动的分布式光伏超短期高精度功率预测方法进行研究。首先,采用深度神经网络模型,实现辐照度和温度与光伏功率的高精度拟合;其次,基于区域多个分布式光伏电站的实际监测数据,建立数据驱动的云团遮挡判别模型;最后,结合云团遮挡情况及其移动态势对邻近电站的影响分析,实现分布式光伏超短期功率的精准预测。依托国内某区域多个分布式光伏电站历史数据进行算例分析,仿真结果验证了所提分布式光伏超短期功率预测方法的有效性和实用性。     

基于数据驱动的分布式光伏发电功率预测方法研究进展

从综述的角度,以分布式光伏系统为对象,分析了功率预测技术的发展情况、存在的难点以及主要影响因素,梳理了应用数据驱动方法实现功率准确预测的技术路线。再以空间相关性、历史出力功率以及气象等影响因素为切入点,梳理了光伏系统数据驱动的功率预测研究现状,分析其相应的数据增强、时空图信息以及特征融合的手段,讨论了技术的优缺点。最后给出了功率预测数据驱动方法研究方向和发展建议。     

基于动态关联表征与图网络建模的分布式光伏超短期功率预测

现有方法忽略了分布式光伏时空关联性的动态变化,难以有效利用时空特征信息提升功率预测精度。考虑到分布式光伏出力的强波动特性与分布式光伏集群强时空关联性,提出一种基于时空关联动态表征与图卷积网络建模的分布式光伏超短期功率预测方法。首先,将各分布式光伏复杂出力序列分解为相对简单、波动较小的多个波动模态分量。然后,考虑到分布式光伏场站间时空关联性动态变化,利用数据驱动方式提取各类波动模态分量表征的各分布式光伏间深层次时空关联关系,并构建由各波动模态分量表征的多个动态时空图结构。在此基础上,建立考虑动态时空关联性的图卷积预测模型,针对不同模态下出力子序列分别预测,而后重构得到各场站功率进而获取区域分布式光伏总功率。最后,基于真实分布式光伏出力数据验证了所提方法的优越性。     

空气质量监测数据驱动的光伏发电多尺度功率预测方法

近年来频繁出现的污染天气使光伏发电中太阳辐照度随空气质量出现较大变化,对光伏发电功率预测产生较大影响。对此,本文基于空气质量监测数据与气象数据,建立了气溶胶光学厚度（AOT）的光伏发电功率预测软测量模型,采用双波段大气辐射传输模型计算太阳辐照度,以日前与日内的空气质量预报信息为驱动数据,提出了一种多时间尺度的光伏发电功率预测方法,并基于此开发了光伏发电功率预测软件进行试验验证。结果表明,本文方法能够有效反映污染天气对辐照度的影响,实现对光伏发电功率的准确预测,该光伏发电功率预测软件具有较好的工程应用价值。     

基于SVR残差修正的光伏发电功率预测模型

作为一种重要的分布式电源,光伏发电发展迅速且当前部分地区的渗透率不断升高,对区域电网的安全稳定运行造成了严重的影响。光伏功率超短期预测可以为区域电力调度提供必要的数据支撑,促进新能源消纳目标的实现。但是光伏电源自身的波动性特性使光伏功率预测的精度难以提高。鉴于此,本文提出了一种考虑功率修正基于差分自回归移动平均模型(ARIMA)的光伏发电功率预测模型。首先,以光伏电站现场采集的功率时间序列数据建立ARIMA模型进行预测日发电功率的初步预测;其次,利用前一个气象相似日的预测残差数据建立支持向量回归模型对预测日的ARIMA预测残差进行预测;最后,对初步预测结果进行修正。现场实际数据建模证明了本文方法的有效性。#$NL关键词：光伏发电; 功率预测; SVR; ARIMA#$NL中图分类号：TM615     

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。     

基于气象资源插值与迁移学习的广域分布式光伏功率预测方法

针对广域分布式新能源普遍缺乏新能源资源监测装置,而导致功率预测精度不足的问题,提出一种基于气象资源插值与迁移学习的广域分布式光伏功率预测方法。首先,基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化插值;其次,依据插值结果对具有相同气象特征的光伏电站进行自组织映射(self-organizing maps,SOM)网络聚类,并对每一类中的光伏电站进行迁移学习的源域和目标域的划分,以保证预测精度;然后,结合长短期记忆(long short term memory,LSTM)网络,引入误差修正环节,建立源域至目标域的双迁移模型;最后,以浙江省绍兴市的分布式光伏电站为实例验证该方法的有效性。相比于对各个光伏电站单独建模,所提方法能将目标域光伏电站的训练速度提高10倍以上,且在预测精度方面也有显著提升,具有一定的推广应用价值。     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于模糊聚类和支持向量机的短期光伏功率预测

本文提出了一种基于模糊聚类和支持向量机的光伏短期功率预测方法。通过气象信息建立模糊相似矩阵将光伏发电功率历史样本划分为若干类,然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立支持向量机光伏发电功率预测模型,并利用余一法对构建的支持向量机模型进行核参数和惩罚参数的优化。根据实际数据对所提模型进行验证,计算分析了预测误差,结果表明该方法具有较高的预测精度,对光伏发电预测具有一定的参考价值。     

基于数据驱动的太阳辐射估计和预测研究与展望

准确可靠的太阳辐射估计和预测信息对指导光伏电站规划、光伏发电功率预测等具有重要意义.数据驱动方法能够有效学习长期历史辐射数据特性且不涉及辐射机理的复杂公式分析,是当前太阳辐射估计和预测的主流方法之一.针对基于数据驱动的太阳辐射估计和预测研究,从其原理和关键技术方面进行比较论述,具体包括估计和预测模型的输入、主流数据驱动模型以及模型的精度提升方法,并针对当前太阳辐射估计和预测方法的研究现状及不足进行总结与展望,以更好地配合光伏发电技术领域内的研究和应用.