基于相似日和神经网络的光伏发电预测

光伏发电系统的输出功率受到季节、太阳辐射强度、温度和湿度等气象条件影响,呈现出时变性、间歇性和随机性。文章提出了基于相似日原理和改进的BP神经网络预测方法,利用光伏电站的历史气象信息建立气象特征向量,基于曼哈顿距离寻找相似日,根据给定的不同预测日选取3个相似日的输出功率作为预测模型输入,直接预测发电站的输出功率。以某光伏电站为例进行建模预测,并通过预测误差分析证明了算法的有效性。     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

基于相似日误差校正的光伏功率预测

光伏发电的功率预测是电网运行调度普遍关注的问题。光伏电站大量历史数据的挖掘和利用为波动的光伏功率建模提供了新方向。在采用气象相似日进行光伏发电功率预测的基础上,引入了相似日的光伏发电功率预测误差对预测日的光伏功率进行校正,更进一步提高了光伏发电功率预测的准确性。     

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。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于遗传算法优化神经网络的光伏电站短期功率预测

针对现有光伏发电预测的不足,基于遗传算法(GA)和神经网络(BP)算法构建光伏电站功率预测模型,并使用组合权重法遴选相似日对模型进行修正。采用新疆某光伏电站运行实例验证模型的有效性,并对比BP-GA模型与单一BP模型的预测误差。结果表明,BP-GA模型克服了传统单一BP模型的不足,具有较高的预测精度,可为光伏发电预测工程实践提供参考。     

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...     

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MEA-Elman神经网络的光伏发电功率短期预测

摘要： 为进一步提高光伏发电功率预测的准确度,从而将思维进化算法（MEA）和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于相似日选取样本的短期风电功率混沌预测

为减小构成初始条件的样本数据所导致的预测误差,本文借鉴负荷预测中基于相似日选取样本的思想,采用趋势相似度的概念选择相似日作为模型输入量,对短期风电功率进行混沌预测。选择我国某区域风电功率数据作为研究对象,考虑不同预测步长和季节差异,进行了大量的算例仿真,结果验证了该方法提高混沌预测精度的有效性和适用性。     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

基于综合相似日和功率相关性的光伏电站预测功率修正

提出了一种基于邻近电站和综合相似日的BP网络光伏输出功率异常数据修复方法。考虑了地理位置、温度以及1日类型等影响出力的因素,通过皮尔逊积距法选取与待修复电站功率相关度高的邻近电站,综合使用灰色关联度和曲线相似度来分析相似日,找出与待修复日相符的周边电站的综合相似日数据,然后建立BP网络模型,用自适应调节学习速率的方法修复不良数据。对青海地区实际光伏预测功率中的异常数据进行修复的结果表明,该方法有较高的修复精度。     

基于CEEMD-GA-BP神经网络的风光发电功率预测

传统的BP神经网络（back propagation neural network, BPNN）虽然在功率预测方面已有广泛应用,但其对于随机波动性较强的风光发电功率预测准确度较低。文中提出一种基于CEEMD（complementary ensemble empirical mode decompo-sition）方法优化的遗传算法神经网络（genetic algorithm-BPNN,GA-BPNN）模型,首先用CEEMD方法将原始数据分解成易于预测的分量,并将各分量预测结果集总平均得到最终结果。以德国巴登-符腾堡州地区能源系统中风光发电功率的历史实例验证该模型的效果,并与其地预测模型进行对比,结果表明,无论是日前预测还是超短期预测,文中所提模型能够提高风光发电功率预测的准确度。     

基于人体舒适度日特征向量的PSO-NN短期负荷预测

摘要： 通过详细分析负荷特征,结合平均风速、最大风速等8项气象数据,引入风寒指数、炎热指数和人体舒适度用以综合考量气象对负荷的累加影响。同时,通过构建日特征性向量,分别对不同季节采用不同的特征向量选择相似日。利用粒子群（PSO）优化神经网络（NN）的权值和阈值,从而降低了计算规模和提高预测准确性。算例表明,该方法能够针对不同季节特点,选取较合适的相似日,算法收敛速度快、有较高的预测精度和较强的适用性。     

基于VMD-LSTM的超短期风向多步预测

目的  为准确预测未来4 h风向,提出一种基于VMD-LSTM（Variational Mode Decomposition-Long Short-Term Memory）的超短期风向多步预测方法。 方法  采集明阳智能某风电场3个风电机组的风向序列,对其进行预处理及时序分析;基于自相关函数（Autocorrelation Function, ACF）计算风向不同时期的相关性,以选取风向序列的特征长度;采用变分模态分解（Variational Mode Decomposition, VMD）将风向序列分解为相对稳定的模态信号,通过最小样本熵确定分解的子模态数,并对分解后的模态信号分别建立预测模型,进行超短期风向24步预测;重构风向序列,叠加各分量预测结果。 结果  结果表明,VMD-LSTM在4个季度的24步风向预测的绝对平均误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）、平 均 绝 对 百 分 比 误 差 （Mean Absolute Percentage Error, MAPE）分别为8.430°、16.870°、9.155,且在每个季度不同时间尺度的各个误差评价指标均优于其他常见的数据建模方法。 结论  所提算法可满足风电场的实际生产中优化控制偏航角的要求。     

德新技术能提前5天预测风力

目前德国专家与丹麦Riso国家实验室的专家共同开发了一个名为"Previento"的程序,该软件技术是以各国气象台的天气预报为基础,可以预计未来5天的风力供给,甚至可以准确到每15分钟,能够计算出一个地区的风力供给总量.     

基于相似过程衍生的月径流概率预报模型研究

针对传统月径流预报模型存在的缺陷,建立了相似过程衍生法与概率预报相结合的月径流概率预报模型。运用相似过程衍生法发布确定的预报结果,在定点预报的基础上利用概率预报提供一定置信水平下的预报区间作为模型预报结果。模型结构简单、易于构建且建模过程中无需考虑预报因子的选择问题。将该模型与BP神经网络模型进行对比仿真试验,结果表明该预报模型具有较好的预报精度,且合格率高于BP神经网络模型,可在水库月径流预报中推广应用。     

太阳能光伏电站楼宇照明研究

结合河南城建学院小型实用和教学两用光伏电站的设计和建设,就光伏电站在平顶山地区的设立给出一定的参考数据,同时为该校学生提供实习实践的基地。     

风电场短期功率预测水平提升举措措施研究与实例分析

风力发电作为一种随机性、波动性、反调节性的新能源电源形式,随着其电网渗透率逐年攀升,给电网安全调度运行带来了安全隐患,尤其电网峰谷时段的调峰工作受到了安全性和经济性的双重压力。以提升风电场功率预测准确率、降低电网安全运行风险为出发点,综合分析了影响短期功率预测水平的技术因素和非技术管理因素,提出了预测水平提升的关键举措措施,并以实际工作案例为样本,验证了预测水平提升关键举措措施的有效性和实用性。