光伏发电功率预测预报系统V2.5在东洞滩光伏电站的安装及运行

对光伏并网电站的产能加以预测和科学化管理,能够提高电网消纳光伏发电出力的能力及电站的运营水平。以甘肃省酒泉市东洞滩光伏电站为例,介绍了光伏发电功率预测预报系统V2.5在该光伏电站的安装、调试及运行情况,阐明了系统的安装环境、实况功率采集、预报结果上报等,并针对实况功率采集,分析了104传输规约的报文结构及通讯过程,最后给出了系统的调试和维护方案。运行结果表明,该系统运行稳定,预报效果良好,对电网调度和光伏电站的经济运行具有较好的指导意义。     

晴空工况光伏超短期功率预报方法

提出一种基于实时辐射采集技术的晴空工况光伏超短期功率预报方法.该方法预报时效为未来0～4h,预测点时间分辨率为15 min,每15 min滚动循环预测.以此预报方法为基础,建立了国家能源太阳能发电研发(实验)中心屋顶光伏电站的功率预测系统.现场预测结果表明,该方法具有较好的预报效果,能够满足工程应用要求.     

雾霾天气下的光伏电站输出功率预测方法研究

预测光伏电站输出功率对于光伏发电并网和电网安全运行具有重要意义,但雾霾天气的存在,对光伏电站输出功率预测产生了不利影响。针对这一问题,利用空气质量指数(air quality index,AQI)设计了雾霾天气下的光伏电站输出功率预测方法。以中国的某座城市为例,分析了不同雾霾天气下AQI与光伏电站输出功率折损率之间的相关性,证明了雾霾会对光伏电站的输出功率产生显著影响,并验证了以AQI=150作为判定AQI是否成为预测模型输入参数的阈值是可行的。该方法显著提高了在雾霾天气下得到的光伏电站输出功率预测精度,同时保证了空气质量较好时输出功率的预测精度。     

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。     

基于线性回归算法光伏电站短期功率预报模型研究

由于太阳能资源的先天不稳定性,造成光伏电站可调度能力薄弱。随着大规模光伏电站的接入,对电网的安全性及稳定性影响愈加突出。为了降低光伏电站出力波动性对电网的影响,通过采集光伏电站环境温度和光照强度的历史数据,采用线性回归算法,建立了光伏电站出力短期功率预报模型。通过算例仿真验证了该模型的有效性和正确性。     

光伏电站群区域功率预测的统计升尺度方法

研究了区域预测建模技术,提出了基于少数代表光伏电站的统计升尺度方法,利用光伏电站相关系数矩阵和预测精度指数进行代表光伏电站选取和升尺度参数率定。通过某些光伏电站实际运行数据进行统计升尺度建模和方法的验证,表明该方法可以实现区域光伏发电功率预测建模,预测结果精度满足功率预测的工程应用要求。与传统的区域预测累加法相比,统计升尺度方法可节约计算资源,缩短建模时间,减少区域预测模型对单个光伏电站数据完备性的依赖,具有很高的工程实用意义。     

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。     

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。     

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。     

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。     

基于皮尔逊理论与径向基函数神经网络的光伏功率预测

针对光伏功率输出的随机性,以皮尔逊相关系数确定影响因素,用最佳相似日及预测日的气象因素作为输入,预测功率输出,设计了基于皮尔逊相关系数和最佳相似日的径向基函数神经网络预测模型.用光伏电站的气象数据对模型进行训练和预测,结果表明模型具有较好的预测能力.     

基于非平稳太阳辐照强度计算和LMS滤波器光伏电站功率预测方法

光伏电站功率预测对电力系统调度及安全稳定运行具有重要意义,对于光伏电站输出功率时间序列表征出来的周期性非平稳特性,采用计算理论太阳辐照强度的方法完成去趋势化的数据预处理,在此基础上提出了一种理论太阳辐照强度计算和LMS自适应滤波器相结合的光伏电站功率预测方法。将光伏电站过去时刻运行值作为滤波器的输入,当前时刻运行值作为滤波器的期望值,自适应滤波器即可建立光伏电站功率预测模型的有限脉冲响应逼近模型。该算法简单,能够实时显式结果。使用某光伏电站运行数据进行验证结果表明该方法对超短期功率预测精度较高。     

大型清洁能源光伏电站智慧运维模式研究

基于规则的传统运维模式往往只能依靠人工巡检和事后处理来发现故障,缺乏对潜在故障的实时监测和预测能力,从而导致预测精度低,因此开始探索大型清洁能源光伏电站智慧运维模式。通过对大型清洁能源光伏电站光伏数据进行预处理,建立清洁能源光伏电站智慧运维模式指标体系,并利用直觉模糊层次分析法计算每个指标的权重,从而实现最佳光伏电站智慧运维。实验结果表明,相较于传统运维模式,该模式通过借助大数据技术的应用,在预测准确性和故障处理效率方面得到了显著的改进,并能提供更精确的故障预测和维修决策支持,对推动大型清洁能源光伏电站智慧运维模式的发展具有重要的理论和实践意义。     

光伏发电功率预测自适应建模方法研究

为了准确反映太阳能光伏发电中的光电转换模型,进而预测光伏发电出力,针对辐射、功率的历史数据,通过数据提取、数据过滤,采用相关系数检验、稳健回归等一系列的统计方法,给出了光伏电站动态光电转换建模方法。应用甘肃某光伏电站一年期的历史数据对模型进行测试,结果表明,该转换模型能够较好地反映辐射与功率之间的转换关系。模型在阴天和晴天两种模式下均适用,能较为准确地反映当时的光电转换效率。与原有静态模型比较,该转换模型能够有效提高预测的准确率。     

基于IOWA算子的短期光伏发电量组合预测

摘要： 为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明：所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。     

基于改进支持向量机的多能源电力系统中储能容量规划及运行模型

研究多能源电力系统中储能装置的定容及运行,有利于减小功率波动,降低对电网的冲击,提高电能质量。以青海省海西千万瓦级可再生能源基地为例,首先根据光伏电站和风电场的历史数据分析了两种新能源发电系统的出力特性,在此基础上建立了支持向量机模型,对新能源电站的输出功率进行了短期预测。根据光伏电站和风电场的出力预测误差,建立了ARMA误差预测模型,进一步修正了光伏电站和风电场的预测曲线,最后根据出力预测曲线的功率谱确定了储能系统的容量及出力曲线。研究成果可为新能源并网提供技术支持。     

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。     

光伏电站综合监控系统的设计

在光伏电站远程监控系统的基础上,引入光伏电站综合监控系统(PV-ISCS)的概念.光伏电站综合监控系统是通过深度集成和互联的方式,将光伏电站设备监控系统、运营管理系统、电力监控系统、功事预测系统、视频监控系统、火灾报警系统、时钟系统等各系统集成到统一的平台,从而实现光伏电站一体化管理与无人值守的目标.     

基于PCA-BPNN的并网光伏电站发电量预测模型研究

针对目前光伏电站发电量预测模型中输入气象维数较多、预测精度低等问题,提出基于主成分分析(PCA)和BP神经网络(BPNN)相结合的光伏电站发电量预测模型。利用PCA对水平面太阳总辐射、日照时数、气温日较差等多个气象变量进行解耦降维处理,形成相互正交、相互独立的公因子变量。将这些公因子变量作为BPNN模型的输入变量,并进行训练拟合建模,从而实现对光伏电站发电量进行预测。文章利用我国华中地区某屋顶并网光伏电站的实测数据,对PCA-BPNN模型进行检验。通过研究结果可知,与常见的预测模型相比,PCA-BPNN模型大大降低了气象变量的输入维数,该模型预测结果的准确性较高。     

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。