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。     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。     

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统.对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值.最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性.     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

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。     

基于小波去噪的BP神经网络短期风功率预测方法设计

为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的BP神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的BP神经网络预测对比,基于小波去噪的BP神经网络算法明显提高了预测精度。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

基于神经网络的光伏电站出力超短期预测研究

为准确掌握电站未来某段时间内的出力情况,以西南某大型光伏电站为例,对影响光伏电站出力的因素进行分析,建立BP神经网络出力预测模型,分别基于电站实测气象数据和中尺度数值天气预报数据训练预测模型,并对电站2020年1月1日8:00～18:30时15 min分辨率的输出功率进行预测,结果表明:以实测气象数据作为训练样本,预测...     

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。     

基于改进相似日算法的光伏电站功率预测

针对传统光伏电站功率预测方法精度不高的问题,给出一种基于改进相似日算法的广义回归神经网络功率预测方法.在该方法中,提出一种对日相似度与前趋势相似度进行多目标优化来选取相似日集的改进相似日算法,并建立了基于此算法的广义回归神经网络功率预测模型,以太阳辐照度、温度和湿度作为模型输入,光伏电站发电功率作为模型输出,提前一天预测间隔为1h的输出功率.利用甘肃某光伏电站的实测数据进行仿真,结果表明,该方法较传统功率预测方法有更高的预测精度.     

基于FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

基于混合麻雀算法改进反向传播神经网络的短期光伏功率预测

精准地预测短期光伏发电功率,是提高光伏电站运行效率、保障光伏并网后安全稳定运行的关键。因此,提出了一种基于精英反向学习策略并结合Metropolis准则的混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)改进反向传播神经网络(back propagation neural network, BPNN)的预测模型。首先采用皮尔逊相关系数公式选择与光伏输出相关性最好的气象特征集作为模型的输入,避免冗余的气象因子影响光伏输出。再利用欧式距离公式计算时序相似度来选取训练集,以提高训练集的可靠性。最后,使用HSSA-BPNN的权阈值建立预测模型,并利用新疆某光伏电站的实际数据进行实验分析。分析结果表明,与BPNN、粒子群算法(particle swarm algorithm, PSA)-BPNN、麻雀搜索算法(sparrow search algorithm, SSA)-BPNN相比,混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)-BPNN模型具有良好的适应性、较好的预测性能。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

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。     

基于灰色系统校正-小波神经网络的光伏功率预测

为提高非理想天气条件下的光伏功率预测精度,提出基于灰色系统校正-小波神经网络(wavelet neural network,WNN)的预测方法。首先以基于相似日算法的WNN进行逐时功率预测,并进行累加获得日累加功率。根据光伏出力历史数据,确定各广义天气类型的平均偏差比,并以平均偏差比进行平滑处理后的相邻日功率建立离散灰色系统模型(discrete gray model,DGM),进行日总功率预测并获得及其判断区间。最后以日总功率值判断区间为标准对累加功率值进行校正,得到校正后的各时段的预测值。算例结果验证了所提方法的有效性。     

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。     

基于长短记忆神经网络优化的短期光伏发电预测方法

针对现阶段光伏发电输出功率不稳定和发电预测模型实施难度较大的问题,对基于长短记忆神经网络优化的短期光伏发电预测方法进行研究。通过分析神经网络分布特点,在数据优化模型中代入初始数据,不断迭代计算目标权重,引入自循环乘积法获取模型的最佳优化函数;通过待预测数据之间的类间距计算可分性,将数据划分为对比序列和参考序列,分析参考序列内每个单位时刻下数据的类簇关联度,根据关联度量化值提取下一时刻的数据权重,完成短期光伏发电数据的预测。仿真实验表明,所提方法的预测精度高,该模型结构直观、易实施,对数据包容性强,可以高效实现对发电数据的预测。