一种固定式和跟踪式光伏阵列功率的估算模型

为估算光伏阵列的发电输出,提出一种能精确到分钟的光伏功率估算模型,适用于固定式和双轴跟踪式阵列。该模型首先根据测量的水平直射、散射辐照度、太阳的位置、组件的安装结构来计算组件表面吸收的辐照度,再结合组件和逆变器的实际效率,估算输出功率。该模型考虑了入射角修正、组件的衰减、灰尘带来的损失、法向直射辐射的修正。使用澳大利亚沙漠知识太阳能中心的数据验证该模型,并应用该模型研究双轴跟踪相对固定光伏阵列的发电量增益。     

考虑大气透明度修正的光伏发电超短期功率预测方法

为提高光伏发电功率超短期预测准确率,考虑到大气透明度能反映到达地面的太阳辐射量,建立了基于别尔梁德模型的超短期太阳辐射订正模型,分别对未来15min、1h及4h的预报总辐射进行实时订正,并采用光电转换效率模型及直流交流电转换模型完成了最终超短期功率预测结果的输出。结果表明,该方法能有效提高超短期功率预测准确率,第15min、1h及4h的相对均方根误差最多可分别减小4.27%、6.01%和6.12%。     

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TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测

针对传统光伏功率预测精度比较低的问题,文章提出了基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测模型。首先,对多个气象指标和光伏电站的输出功率进行了相关性分析,并选取了相关度较高的气象数据作为模型的输入因子,利用TOPSIS算法选择出最优相似日;然后,将光伏电站输出功率理论值和气象数据建立GRNN预测模型;最后,结合DKASC网站上的历史气象数据和功率数据,对该模型进行了仿真试验并验证。试验结果得出功率预测精度RMSE平均值为0.826 9 kW,MAPE平均值为3.45%,MAE平均值为0.019 5 kW。该预测方法的预测精度明显高于单一预测模型,具有一定的理论和实用价值。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

一种光伏电池最大输出功率的预测方法

光伏电池输出功率受温度和光强影响,且影响程度具有非线性特征。采用建立二维表的方式来预测光伏电池最大输出功率。该方法将预测功率转化为预测温度和光强,并根据温度和光强预测结果查表得到光伏电池最大输出功率。算例表明,文中所提出的方法能够较为准确地预测光伏电池最大输出功率。     

基于人工神经网络的风电场短期功率预测

基于人工神经网络法(ANN)对内蒙古某风电场短期输出功率进行了预测研究,给出了较详细的实现过程,并比较了单一ANN预测方法和基于物理方法与统计方法的混合ANN预测方法的预测精度.计算结果表明,单—ANN预测方法能快速给出预测结果,但预测精度较低,均方根误差为10.67％;而混合ANN预测方法步骤较多且较费时,但预测精度较高,均方根误差为2.01％,不到单一ANN法的1/5.同时,针对预测过程中小于5m/s的小风速段和大于15m/s的大风速段所呈现的预测误差较小的原因进行了深入分析.     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

光伏发电预测中人工智能算法的应用研究综述

作为一种新型清洁能源,光伏发电被越来越多地应用于生产、生活中。相较于传统能源,由于受到光照的影响,光伏发电具有间歇性和波动性的特点,这使得该类能源的供需关系变得更加复杂多变。为了更好地利用太阳能,就需要获取光伏电站的实时供需信息,并据此预测未来短期内的供需关系,从而达到更优的供电效果。人工智能算法具有高效处理复杂数据及解决复杂问题的突出优点,越来越多的被应用于光伏发电的各项预测中,包括用电负荷预测、影响光伏发电性能的太阳辐照度的预测等。对人工智能算法在光伏发电预测这一应用场景下的研究现状进行了综述,并对未来人工智能算法和光伏发电预测的深度融合作出了展望。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

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。     

基于极限学习机的光伏发电短期预测校正方法

光伏发电短期预测在电力系统实时调度中具有重要意义。受诸多因素影响,光伏发电短期预测精度还无法达到光伏电站要求,对光伏并网调度带来较大影响。针对这一问题,提出了基于极限学习机（ELM）的光伏发电短期预测校正方法。说明了光伏发电短期预测中的误差特征,并利用提出的校正方法对原来光伏发电短期预测结果进行了优化。通过与其他方法的对比,验证了此方法的有效性,说明了论文方法能够有效提高光伏发电短期预测精度。     

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。     

基于小波变换和支持向量机的短期光伏发电功率预测

光伏发电功率预测是减小大规模光伏发电并网对电网造成不良影响的有效手段,对电网调度及光伏电站的优化运行具有重要意义。针对光伏发电功率序列的周期性和非平稳性,本文提出了基于小波变换和支持向量机（Support vector machine, SVM）的预测方法。文中对原始功率序列进行小波分解并单支重构,构成低频趋势信号和高频随机信号,利用具有小样本学习能力强和计算简单等特点的SVM对各小波数据序列分别预测,最终将各预测值合成得到预测功率值。某光伏发电站的实际数据仿真验证了该预测方法的可行性和有效性。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。     

基于模糊神经网络的电站燃煤锅炉结渣预测

综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性．通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响．以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练．为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较．验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型．     

大型光伏并网电站功率预测系统设计

西部大型光伏电站运行中普遍遇到并网调度难的问题,通过光伏并网电站功率预测系统(PV-GPPS)可以极大地提高大型光伏电站并网的可调度性。阐述了大型并网光伏电站功率预测系统的研究设计方案,通过对光伏并网电站功率预测系统实现的基本原理、数学模型进行分析,提出了考虑数值天气预测的基于SCADA、计算机信息技术的PV-GPPS的实现途径,对开发光伏并网电站功率预测系统具有一定指导意义和参考价值。     

并网光伏电站特性及对电网影响的研究

在对大型光伏电站并网运行特性理论研究和实验分析的基础上,建立了双级变换并网光伏电站整体模型,并爿析了光伏电站的动态输出特性和等值阻抗。然后以某1．6MW实际并网光伏电站工程为算例,着重研究了光伏电站接,配网对系统潮流、母线电压、短路电流和继电保护等方面目影响。