一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划和减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。首先利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,再基于神经网络将相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;然后以预测日天气预报信息作为神经网络的输入来获得预测日的功率预测值;最后基于数学量化的由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明,该方法建立的预测模型具有较高的精度,进而为调度运行人员提供决策辅助     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于细粒度特征的BOA-GBDT光伏出力预测EI北大核心CSCD

光伏出力与天气模式密切相关,深度挖掘天气模式特征信息能有效提高光伏出力预测精度。由于信息粒度的粗细程度对光伏出力预测的精度有影响,使用粗粒度的原始特征或聚类特征的传统光伏出力预测方法在预测精度方面存在提升空间。针对以上问题,提出了一种基于细粒度特征的贝叶斯优化梯度提升树(Bayesianoptimizationalgorithm gradient boosting decision tree,BOA-GBDT)光伏出力预测方法,该方法首先对日间每条气象监测数据及光伏出力监测数据构建细粒度特征,包括瞬时天气模式特征及时窗趋势性特征,然后采用贝叶斯优化算法(Bayesianoptimization algorithm,BOA)对细粒度特征的种类进行约减,最后通过(gradient boosting decision tree,GBDT)模型拟合特征与光伏曲线的关系,建立BOA-GBDT光伏出力预测模型。对实际算例进行误差分析,结果表明相比传统支持向量机(support vector machine,SVM)方法,该方法构建的预测模型运行时间平均减少97.3%,均方根误差平均减少80.4%。验证了该方法的有效性。     

基于细粒度特征的BOA-GBDT光伏出力预测

光伏出力与天气模式密切相关,深度挖掘天气模式特征信息能有效提高光伏出力预测精度。由于信息粒度的粗细程度对光伏出力预测的精度有影响,使用粗粒度的原始特征或聚类特征的传统光伏出力预测方法在预测精度方面存在提升空间。针对以上问题,提出了一种基于细粒度特征的贝叶斯优化梯度提升树(Bayesianoptimizationalgorithm gradient boosting decision tree, BOA-GBDT)光伏出力预测方法,该方法首先对日间每条气象监测数据及光伏出力监测数据构建细粒度特征,包括瞬时天气模式特征及时窗趋势性特征,然后采用贝叶斯优化算法(Bayesianoptimization algorithm,BOA)对细粒度特征的种类进行约减,最后通过(gradient boosting decision tree,GBDT)模型拟合特征与光伏曲线的关系,建立BOA-GBDT光伏出力预测模型。对实际算例进行误差分析,结果表明相比传统支持向量机(support vector machine,SVM)方法,该方法构建的预测模型运行时间平均减少97.3%,均方根误差平均减少80.4%。验证了该方法的有效性。     

基于混沌-RBF神经网络的光伏发电功率超短期预测模型

光伏出力时间序列的随机性和波动性使得光伏出力预测难以达到理想的精度,而提高预测精度是降低光伏并网不利影响的前提。因此,在揭示光伏出力波动本质的基础上,提出了混沌-径向基函数(radial basis function,RBF)预测模型。首先,应用小波去噪处理后光伏发电功率实测数据,基于C-C法重构系统相空间,运用相图法和改进最大李雅普诺夫(Lyapunov)指数法,对输出功率进行非线性动力学分析,确定光伏出力具有混沌特性;然后,分析光伏出力相空间轨迹局部变化的规律性,采用RBF神经网络对系统轨迹进行拟合,建立基于混沌-RBF神经网络的光伏发电功率超短期预测模型;最后,选取去噪后的实测数据对所建模型进行训练和预测,验证模型在不同天气状况下的预测效果。结果表明,所建模型对晴朗、多云和阴天等天气状况都有较好的预测精度,显示出良好的预测性能。     

基于数据优化的改进深度学习方法光伏出力超短期预测模型

为解决光伏出力超短期预测模型精度不足和运算速度慢的问题,本文提出了一种基于数据优化的改进深度学习方法光伏出力超短期预测模型。首先,为提升模型的计算效率,通过数据预处理和动态指数平滑法对样本数据进行优化;随后,应用卷积神经网络算法(CNN)构建的多阶卷积通道合并运算挖掘不同光伏电场间的时空耦合关系,得到反映多光伏电场光伏出力的融合特征值,将得到的融合特征值作为输入,利用改进深度学习算法进行分析,输出不同天气情况下的光伏超短期预测结果,以提高模型的预测精度;最后,基于实测光伏出力数据进行超短期预测,验证所提模型的有效性和准确性。算例分析表明,所提预测模型相比传统的超短期模型具有计算速度快和预测准确度高的优点。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

计及光伏电站功率预测的电力系统优化分析

光伏功率预测多采用间接预测法,由预测太阳辐照度数值结合光转电模型来预测光伏出力。为了解决传统BP算法在短期太阳辐照度预测中易陷入局部最优和收敛速度慢的问题,引入了自适应调节学习率和陡度因子建立太阳辐照度预测模型。在双极性Sigmoid函数中加入陡度因子以提高BP算法的收敛速度,为了便于数据处理将输入数据归一在[-1, 1],同时引入自适应调节学习率以调整网络权值,提高收敛性能。为了研究含光伏电站的电力系统优化问题,建立了系统日综合成本最小和日废气排放量最少的双目标优化模型,并采用双目标细菌群体趋药性算法进行优化。算例证明:改进BP神经网络算法能有效地提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性;预测光伏出力能够统筹安排机组出力,合理消纳光伏资源。     

光伏发电功率的智能预测算法

光伏发电系统的出力具有强烈的波动性,为了减轻其对电网的冲击,有必要进行光伏出力预测。提出了一种基于灰色关联度分析（gray relational analysis, GRA）和最小二乘支持向量机（ least square support vector machine , LSSVM）方法对光伏出力进行预测,该方法是传统直接预测和间接预测方法的结合,分析了辐照度、天气类型等对光伏输出功率的影响。通过GRA选择训练样本,使样本更全面地反映预测日的天气属性;然后运用LSSVM提前24 h预测输出功率,利用天津市太阳能光电建筑示范项目的实测数据对该预测模型进行了测试与评估,算例结果表明,所提出的GRA-LSSVM的预测方法具有较高的预测精度。     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。     

基于模糊支持向量机的光伏发电量预测

受到光照强度、温度、湿度和风速等气象因素的影响,光伏发电系统出力具有波动性、间接性和不可控性等特点,光伏发电量预测精度较低。对此,本文采用模糊理论结合支持向量机的方法预测光伏发电量。首先通过模糊C均值聚类算法计算模糊隶属度,然后对原始样本进行聚类,生成模糊样本,再采用支持向量机对模糊样本进行训练,最后利用预测模型预测未来几天的光伏发电量。MATLAB仿真实验预测显示:相对于经典的BP神经网络模型和支持向量机模型,模糊支持向量机预测模型更稳定且预测结果误差更小;该模型克服了传统光伏预测方法中存在的极易陷入极小值以及不确定气象因素影响等缺陷,提高了系统预测精度。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于EEMD和BP神经网络的短期光伏功率预测模型

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 k W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。     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

模糊聚类-Elman神经网络短期光伏发电预测模型

光伏发电功率预测是电网安全稳定运行的基础,从数据挖掘的角度提升光伏发电功率预测精度,文中提出基于孤立森林、模糊C均值和Elman的短期光伏发电功率预测模型。根据预测日选择相似日数据并按天气分类作为训练样本;采用孤立森林清洗训练样本中的异常部分;应用模糊C均值对相似日以及待预测日的气象数据进行聚类分析。结合Elman神经网络算法,形成含孤立森林数据清洗的模糊聚类-Elman神经网络的预测模型,对光伏出力进行精确预测。根据某地市现场实测数据进行实验仿真,预测结果分别与传统Elman和BP模型的预测结果进行对比,所述模型可以获得更高的预测精度。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

灰色动态BP神经网络在光伏短期出力预测中的应用

针对传统BP神经网络在光伏发电短期出力预测中的不足,提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化,同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中,预测结果和实测结果吻合度较高,验证了模型的有效性。