基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于小波包与LSSVM的短期光伏输出功率预测研究

由于太阳辐照度及其他气象会随时发生变化,导致光伏电站输出功率具有可变性和不确定性,这将会对电网的安全运行造成重大影响。文章研究了影响光伏电站输出功率的几种气象因素,提出了一种基于小波包与最小二乘支持向量机(LSSVM)的短期光伏电站输出功率预测方法。首先,利用小波包将原始光伏电站输出功率,以及太阳辐照度、环境温度、环境湿度等气象因素进行分解,得到基频信号和多层高频信号;然后,利用最小二乘支持向量机所具有的处理小样本数据和解决非线性函数的能力,将得到的基频信号和多层高频信号作为最小二乘支持向量机的输入变量;最后,将不同尺度的输出结果进行叠加、合成,得到原始光伏电站输出功率的预测值。仿真结果表明,与传统的最小二乘支持向量机预测法、BP神经网络预测法,以及EMD与LSSVM相结合的预测方法相比,文章预测方法的预测精度较高,可以有效地预测光伏电站输出功率。     

基于混沌理论及PSO-LS-SVM的新能源出力短期预测方法

为减少新能源出力的不确定性对并网系统安全稳定的影响,提高新能源出力预测的精准度成为新能源系统所需解决的首要问题。以光伏系统为例,基于光伏出力时间序列的混沌特性,提出了一种基于混沌理论及最小二乘支持向量机的光伏出力短期预测模型。通过与实际数据和改进前模型进行对比,证明了该模型在光伏出力短期预测中的有效性。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率预测

为了提高光伏发电功率预测精度,建立了基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率超短期组合预测模型。首先,根据Pearson相关性分析,确定光辐照度、环境温度以及湿度为光伏发电功率的关键气象影响因素,继而使用改进的自适应白噪声完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)对历史光伏功率和气象因素进行分解,降低其复杂度和随机波动性,并利用动态时间弯曲(Dynamic Time Warping, DTW)算法确定每个光伏功率子序列的输入特征向量。其次,对最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)在建模过程中的误差进行权重分配,得到加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine, WLSSVM),其解决了LSSVM模型鲁棒性低的缺陷。最后,通过改进黏菌算法(Improve Slime Moul...     

基于粒子群算法最小二乘支持向量机的日前光伏功率预测

准确预测光伏电站输出功率,是促进光伏并网发电,提高电网运行稳定性的主要途径之一.该文提出一种基于粒子群算法最小二乘支持向量机(particle swarm optimization and least squares support vector machine,PSO-LSSVM)的日前光伏功率预测方法,该方法首先利...     

基于光伏波动性的储能出力特性分析

以研究储能系统出力为目标,从时间、频率角度研究光伏发电波动性,以EMD算法对光伏发电频率进行分解,通过分解得出的IMF残值得出：在多云天气下,光伏发电系统内储能出力频繁,平抑光伏波动强,晴朗天气下,储能系统的出力具有规律性且时间固定的结论。     

基于LS-SVM的基坑变形时间序列预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗.,以已有的实测时间序列为样本,利用最小二乘支持向量机(LS-SVM)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形.实例结果表明,该模型预测效果优于BP神经网络,具有所需数据少、推广能力强等优点.     

基于综合气象指数和日期类型的电力系统负荷预测

气象因素作为影响电力负荷的主要因素,近年来已成为研究的焦点。引入了生物气象学中的实感温度、温湿指数、舒适度指数等指标并结合日期类型利用最小二乘支持向量机（LSSVM）来进行负荷预测,避免了传统的一刀切式的预测方法。以某地区实际负荷为例,证明了该方法可以辅助电网公司调度部门更好地把握负荷特性,提高电力负荷预测的准确率。     

燃料成分分析及基于LS-SVM对锅炉效率的预测

利用回归分析的方法,根据实验数据,拟合出灰分,挥发分,全硫与发热量之间的线性系数,确定成分相关性。基于最小二乘支持向量机(least square-spport vector machine,LS-SVM)建立了电站锅炉能源消耗及排放模型,实现了对排烟温度、飞灰含碳质量分数等模型参数的软测量以及对锅炉效率的预测。     

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。     

基于模糊聚类的光伏组件功率输出模型研究

摘要： 在光伏组件工程用功率输出模型的基础上提出了一种改进模型。基于模糊聚类方法将多晶硅组件户外测试数据、环境参数以天为单位聚类,聚类结果为晴天、多云、阴天、雨天、多云转阴和多云转雨。再由每一类聚类结果依次分析组件输出功率与组件温度以及太阳辐照度之间关系,最后验证了该模型的准确性。     

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。     

基于非参数估计的光伏功率短期预测误差分析

光伏功率预测误差客观存在且不可避免,并随着天气类型和预测方法的不同,呈现出多种分布形式。提出一种基于非参数估计的光伏功率短期预测误差分布模型,以中国新疆某实际光伏电站为例,对3种天气状况和3种预测方法组合下的9个误差序列的分布特性进行分析,并与常用的正态分布、Logistic分布、高斯分布以及t-Location scale分布做比较。结果表明,横向及纵向误差均为最优,验证了所提模型在不同天气类型和预测方法下的有效性和普适性。     

基于灰色关联与量子粒子群寻优的光伏短期预测

摘要： 光伏发电系统的功率受天气因素影响很大,结合温度、湿度及辐照强度3个气象因素,对短期光伏功率进行预测。首先阐明3种气象因素与光伏出力的相关关系,进而提出相似日理论,利用灰色关联度分析提取出与预测日气候条件相似的历史日。再将筛选出的历史日数据作为训练数据,利用支持向量机模型对预测日光伏出力进行预测。针对支持向量机中的惩罚系数、不敏感损失系数及核函数核宽度系数的选择,提出改进的量子粒子群算法进行寻优。最后,依据青海某光伏发电站的气候数据及光伏出力数据进行计算,并与带收缩因子的粒子群算法与带惯性权重的粒子群算法进行比较,从误差范围及计算时间等角度,证明了所提方法具有更高的准确性。     

光伏发电系统输出功率计算方法研究

准确计算光伏发电系统的输出功率,对光伏发电系统发电量的监管和光伏并网系统与电网调度、电力负荷等的配合问题具有重大意义。根据光伏发电系统的结构和工作原理,提出了光伏发电系统输出功率计算方法,可以计算任意太阳辐射量、环境温度、系统结构下的光伏发电系统输出功率。通过与真实光伏电站运行数据的比对,结果显示了光伏发电系统输出功率计算方法的适用性与准确性。     

采用时间序列预测风电场出力

基于时间序列的方法,采用自回归滑动平均(ARMA)模型进行短期风速预测;考虑风力发电机组排列布置时尾流效应的影响、风电场址地面粗糙程度、空气密度、风向变化以及不同型号风机功率特性的差异等因素,采用Jasen尾流模型建立了大型风电场的综合模型。结果表明,合理的风电场布置方案有利于减小尾流效应的影响,从而提高风电场出力。     

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。     

光伏电站输出功率影响因素分析

光伏发电系统的发电量取决于太阳辐照强度和温度等因素,其输出功率的变化具有间歇性和不可控性,大规模的光伏并网应用将对大电网的稳定运行造成冲击。光储联合应用将有助于降低光伏电源的负面影响,为了协调配置光伏系统与储能系统,需要深入了解光伏发电系统的输出特性。首先分析了大规模光伏发电系统并网应用对电网带来的影响,进而介绍了光伏发电原理和影响光伏组件输出的因素;然后依托某100 kWp光伏电站的实际历史运行数据,基于统计学方法,从气象因素如日类型、太阳辐射强度和温度等影响光伏出力的角度,对光伏发电系统的输出特性作了定性、定量的分析,从而归纳了光伏输出特性,最后据此提出了光伏电站输出功率的评价指标。     

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。