基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络（GA-WNN）的光伏电站发电量预测方法。首先,以反向传播（BP）神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法（GA）进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。     

基于EMD-ESNs的光伏系统短期发电量预测

针对光伏系统发电量的影响因素,提出一种基于经验模态分解(EMD)与回声状态网络(ESNs)的组合光伏系统短期发电功率预测方法。通过对同日类型的历史发电功率数据进行EMD,得到其不同尺度的周期分量和趋势分量;滤除其体现数据差异的各个较小周期分量,针对体现数据共性的分量建立ESNs预测模型;最后,将预测值与趋势分量组合得到最终的预测结果。预测结果对比分析表明:该方法与单一回声状态网络、BP神经网络和小波神经网络预测方法相比,计算速度快,预测精度高,稳定性好。     

基于小波变换和神经网络的光伏功率预测

提出了一种小波分解(Wavelet Transform,WT)和径向基函数神经网络(RBFNN)相结合的预测方法,并引入理论太阳辐照量、温度和相对湿度数据来预测未来24 h光伏电站的输出功率。小波分解能有效地表征光伏电站输出功率时间序列的局部特征,人工智能方法可以捕捉到光伏发电中的非线性特性。预测结果表明,采用该方法预测光伏电站输出功率,能有效地提高预测精度。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。     

基于BP神经网络光伏组件价格预测的研究

根据光伏组件的构成,将影响组件价格的因素分为技术因素和非技术因素,并采用网站数据采集法和专家咨询法确定各主要因素的分项价格,构建BP神经网络预测模型,在此基础上利用Matlab内置的Neural Net Fitting模块对组件价格进行预测,结果表明BP神经网络对组件价格预测的相关性较好,预测价格与实际价格偏差率为-2.62%～2.11%,预测结果可接受度为89.47%,预测精度满足实际需要,为光伏项目的顺利实施提供了辅助决策依据。     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

聚类分析在光伏发电量预测中的应用研究

为了从光伏发电历年数据中筛选出有效样本,并提高光伏发电量预测模型的准确率,文章将聚类分析应用于光伏领域,并结合神经网络建立了光伏发电量预测模型。以晴天、多云和雨天3种天气类型为目标,利用聚类分析对历史数据中的异常样本进行筛选,并将筛选后的样本作为训练数据建立了反向传播(BP)神经网络预测模型。通过对比筛选前后预测模型的计算结果可知,利用聚类分析筛选后的数据所建立起来的预测模型精度较高,因此,聚类分析和BP神经网络相结合是提高光伏发电量预测精度的一种有效方法。     

面向光伏建筑的发电量预测方法

发电量是光伏项目重要的性能指标。准确预测发电量对于光伏建筑项目的规划、运营以及经济核算极为重要。面向光伏电站设计开发的发电量预测方法及其软件,难以适应光伏建筑发电量预测的复杂性和特殊性,其预测结果与实际值差距较大。文章提出了一种光伏建筑模型预测法,使用该方法预测光伏建筑发电量的结果较为准确,优于现有方法。     

基于提升小波-BP神经网络的光伏阵列短期功率预测

提高光伏阵列的短期功率预测的精度,对光伏电站运营管理效率具有重要作用。文章提出了一种提升小波变换与BP神经网络相结合的直流侧功率输出预测滑移算法,对光伏阵列的超短期功率进行预测。实验结果表明,文章所提出的算法对超短期功率预测具有较高的精度,适用于晴天、多云、阴雨等复杂天气条件。     

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。     

Application of artificial neural networks for forecasting photovoltaic system parameters

The main element which justifies the installation of a photovoltaic system is the solar energy potential. Various structures of artificial neural networks (ANNs) are used for predicting the sun location, the global solar radiation (GSR) at horizontal and inclined plans. Real meteorological data have been exploited in order to validate the computation results. The ANNs are also carried out to predict the current-voltage characteristics of the photovoltaic module. It can be concluded that the ANNs effectively predict the behavior of photovoltaic system parameters with good a coefficient of determination.     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

Short-term wind power forecasting in Portugal by neural networks and wavelet transform

This paper proposes artificial neural networks in combination with wavelet transform for short-term wind power forecasting in Portugal. The increased integration of wind power into the electric grid, as nowadays occurs in Portugal, poses new challenges due to its intermittency and volatility. Hence, good forecasting tools play a key role in tackling these challenges. Results from a real-world case study are presented. A comparison is carried out, taking into account the results obtained with other approaches. Finally, conclusions are duly drawn.     

A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks

This work proposes a novel fault diagnostic technique for photovoltaic systems based on Artificial Neural Networks (ANN). For a given set of working conditions - solar irradiance and photovoltaic (PV) module's temperature - a number of attributes such as current, voltage, and number of peaks in the current–voltage (I–V) characteristics of the PV strings are calculated using a simulation model. The simulated attributes are then compared with the ones obtained from the field measurements, leading to the identification of possible faulty operating conditions. Two different algorithms are then developed in order to isolate and identify eight different types of faults. The method has been validated using an experimental database of climatic and electrical parameters from a PV string installed at the Renewable Energy Laboratory (REL) of the University of Jijel (Algeria). The obtained results show that the proposed technique can accurately detect and classify the different faults occurring in a PV array. This work also shows the implementation of the developed method into a Field Programmable Gate Array (FPGA) using a Xilinx System Generator (XSG) and an Integrated Software Environment (ISE).     

基于神经网络的燃气轮机可靠性预计研究

本文根据采集的实际运行数据,利用神经网络的较好的高度非线性映射性能,通过对BP网络和RBF网络的优化设计,来预计各型燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析,结果表明：BP网络和RBF网络都能够解决高度非线性问题,但在训练时间和精度上,RBF网络显示出更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预计提供了有力的工具。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

基于LSTM神经网络的中长期光伏电站发电量预测方法研究

准确估算光伏电站的中长期发电量对电网规划改进、调度优化、管理发展具有重要意义。然而,由于中长期发电量预测与短期出力预测存在显著差异,短期出力预测技术无法直接应用于中长期电量预测。文章提出一种基于模糊C均值聚类-随机森林算法FCM-RF和LSTM神经网络的中长期辐照度预测模型,进而提出间接预测分布式光伏电站发电量的方法。针对传统随机森林在数据差异性处理能力不足的问题,引入模糊C均值聚类算法对传统随机森林算法模型进行了改进。设计了LSTM神经网络,解决了"长时间周期依赖"问题。最后经实验验证,该分布式光伏电站中长期发电量预测模型每月预测平均误差百分数MAPE在3.5%上下波动,各电站年预测值在1.1%上下波动,预测效果较好。     

A new approach for sizing stand alone photovoltaic systems based in neural networks

Several methods for sizing stand alone photovoltaic (pv) systems has been developed. The more simplistic are called intuitive methods. They are a useful tool for a first approach in sizing stand alone photovoltaic systems. Nevertheless they are very inaccurate. Analytical methods use equations to describe the pv system size as a function of reliability. These ones are more accurate than the previous ones but they are also not accurate enough for sizing of high reliability. In a third group there are methods which use system simulations. These ones are called numerical methods.Many of the analytical methods employ the concept of reliability of the system or the complementary term: loss of load probability (LOLP). In this paper an improvement for obtaining LOLP curves based on the neural network called Multilayer Perceptron (MLP) is presented. A unique MLP for many locations of Spain has been trained and after the training, the MLP is able to generate LOLP curves for any value and location.