基于集对分析理论的太阳辐照度区间预测

太阳辐照度区间预测是光伏发电区间预测的基础。然而我国现在并未开展太阳辐照度的区间预测,为了更好地掌握气象信息,给光伏出力预测提供更多数据支持,提出一种基于集对分析理论的太阳辐照度区间构建方法。在经过数据预处理、主成分提取后,分别建立相似日辐照度与主因素集对、相似日主因素与待预测日主集对计算相似日主因素与待预测日主因素的同异反距离模型并进行计算,最后使用覆盖率评价方法的效果。实例表明了所提方法的有效性。     

空气质量监测数据驱动的光伏发电多尺度功率预测方法

近年来频繁出现的污染天气使光伏发电中太阳辐照度随空气质量出现较大变化,对光伏发电功率预测产生较大影响。对此,本文基于空气质量监测数据与气象数据,建立了气溶胶光学厚度（AOT）的光伏发电功率预测软测量模型,采用双波段大气辐射传输模型计算太阳辐照度,以日前与日内的空气质量预报信息为驱动数据,提出了一种多时间尺度的光伏发电功率预测方法,并基于此开发了光伏发电功率预测软件进行试验验证。结果表明,本文方法能够有效反映污染天气对辐照度的影响,实现对光伏发电功率的准确预测,该光伏发电功率预测软件具有较好的工程应用价值。     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

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。     

基于混合灰色关联分析-广义回归神经网络的 光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。     

太阳光辐照度概率分布参数对电网可靠性的影响

摘要：大规模具有出力波动性的光伏机组并网,必然对电网可靠性产生深远影响。针对光伏机组出力的波动性和间歇性特点,在认为太阳光辐照度服从两参数贝塔分布的前提下,提出了使用极大似然法求解太阳光辐照度概率分布参数的思路,并基于Monte Carlo方法模拟了影响光伏机组输出功率的主要因素：实际太阳光辐照度;据此建立了能够反映光伏机组出力随机性的概率模型;并采用分区的方法,在IEEE—RTS79系统不同区域中接入光伏机组,利用Monte Carlo方法对含光伏机组的互联发输电系统进行可靠性评估;结果表明,在确定地点及一定的负荷水平下,接入一定容量的光伏机组对于提升电网可靠性指标有积极贡献;同时算例给出了不同太阳光辐照度概率分布参数对电网可靠性指标的影响,其结果表明,不同贝塔分布参数对电网可靠性参数有较大影响。     

基于大气状态参数的太阳光谱模型与测试方法研究

针对影响光伏组件发电性能的太阳光谱光功率预测系统直接测试难问题,基于温度、相对湿度和压力等大气状态参数,提出了一个新的简单地面太阳光谱的量化计算模型。通过设计实验对比常州地区直接测量与模型计算得到的地面太阳光谱,分析了模型计算光谱方法的适用性和局限性,并探讨该模型为光伏组件的输出性能精确评估的应用。研究结果表明晴天天气可见光波段,测量光谱与计算光谱之间的相对误差保持在5%以内;阴天天气比晴天天气适用性较差,但也保持在20%以内;不同季节对模型的适用性影响不大,相对误差保持在10%以内。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

适用于电网规划的光伏发电概率模型及其应用

提出了一种兼顾短时波动性和中长时间尺度变化规律的光伏电源出力概率模型。采用气象模型基于少量参数即可建立太阳辐照度小时均值在一年内变化的离散概率时间序列模型。采用Beta连续概率分布描述每小时内太阳辐照度相对于均值的随机波动性。所提模型所需统计参数少,能有效反映光伏电源出力时间特性的规律性和随机波动性。将算例结果与实际光伏电站辐照度检测数据进行对比,验证了所提模型的有效性。结合分布式光伏电源接入配电馈线的选址定容规划实例说明了所提模型的应用场景。     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

基于通用分布的光伏发电系统出力模型的研究

光伏发电系统出力模型具有广泛的用途,最重要的用途是在给定的一组气象条件下预测光伏发电系统的输出功率,是实现光伏功率准确预测的重要环节。此外,光伏发电系统出力模型还广泛用于光伏发电系统组件预购比较、系统状态监测以及投资回报时间等方面。建立了基于通用分布的光伏发电系统出力概率模型,通过对历史辐照度分箱、采用通用分布对各箱内实际出力拟合以及逆变换抽样,构造了刻画光伏出力的概率场景集;进一步提出了基于辐照度分箱的温度校正系数对模型进行修正。以实际光伏数据对模型进行了检验,结果表明该模型计算速度快,计算精度高,具有较高的实际应用价值。     

基于通径分析和相空间重构的光伏发电预测模型

光伏发电的短期预测对电网稳定运行、经济调度和可再生能源调节具有重要意义。但光伏功率输出受辐射强度、温度等气象因素影响,具有较大的波动性和随机性。为了提高预测精度和不同天气类型的普适性,文章提出了一种基于支持向量回归结合相空间重构和相似日选择的混合光伏输出预测算法。采用通径系数分析对历史数据集进行处理,量化光伏出力和气象因子的相关性,并确定主导气象因子作为相似日选择的标准。随后,利用相空间重构技术对非线性光伏功率时间序列进行处理,抑制了原始数据集的混沌特性。用实际数据验证了该算法的预测有效性。结果表明,与传统的支持向量回归模型相比,文中的预测模型可以进一步提高预测精度。此外,文中算法在晴天和阴雨天的情况下都表现出良好的性能。     

基于生成对抗网络的小样本光伏发电短期预测

光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素。利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法。利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充。通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型。公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4%,对新建的太阳能电站发电预测具有实际指导意义。     

基于地基云图图像特征的光伏功率预测

光伏输出功率主要受太阳辐照度的影响,而天空中云的生成、运动以及消融会使太阳辐照度呈现随机性和波动性。地基云图可实时记录天空状况,因此获取地基云图的图像特征是光伏功率准确预测的关键步骤。对全天空成像仪采集的地基云图展开研究。首先,修复地基云图;然后,利用图像处理技术提取影响太阳辐照度变化的图像特征,包含光照强度、高频分量、透射率、天顶距离以及云因子特征;最后,将图像特征作为输入数据,光伏功率作为输出数据,利用梯度提升决策树算法构建光伏功率预测模型,实现光伏功率的预测。实验结果表明,采用从地基云图提取的图像特征构建的光伏功率预测模型,使得光伏功率预测的均方根误差可低于1%,为光伏功率的准确预测提供了一种技术手段。     

基于混合麻雀算法改进反向传播神经网络的短期光伏功率预测

精准地预测短期光伏发电功率,是提高光伏电站运行效率、保障光伏并网后安全稳定运行的关键。因此,提出了一种基于精英反向学习策略并结合Metropolis准则的混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)改进反向传播神经网络(back propagation neural network, BPNN)的预测模型。首先采用皮尔逊相关系数公式选择与光伏输出相关性最好的气象特征集作为模型的输入,避免冗余的气象因子影响光伏输出。再利用欧式距离公式计算时序相似度来选取训练集,以提高训练集的可靠性。最后,使用HSSA-BPNN的权阈值建立预测模型,并利用新疆某光伏电站的实际数据进行实验分析。分析结果表明,与BPNN、粒子群算法(particle swarm algorithm, PSA)-BPNN、麻雀搜索算法(sparrow search algorithm, SSA)-BPNN相比,混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)-BPNN模型具有良好的适应性、较好的预测性能。     

基于ANFIS模型的光伏电站辐照度超短期预测

辐照度是影响光伏(PV)电站发电量最重要的气象因素。提出了一种新的基于自适应模糊推理系统(ANFIS)的辐照度超短期预测方法。首先,利用地外辐照度理论值来对历史观测辐照度时间序列值进行归一化处理,形成输入输出样本对后利用ANFIS模型建模;然后,采用减法聚类确定ANFIS模型的规则数和初始参数,并采用反向传播算法和最小二乘法优化模糊模型参数;最后,通过循环预测法实现对未来4h的辐照度预测。基于MATLAB的实验结果验证了该方法具备良好的预测精度,从而为发电功率的超短期预测提供了可行的解决途径。     

基于卫星云图和晴空模型的分布式光伏电站太阳辐照度超短期预测

随着分布式光伏发电装机占比的不断提高,对分布式光伏发电功率预测提出了新的要求。但由于运行成本的约束,分布式光伏电站难以直接建立功率预测模型,为此提出了一种基于卫星云图和改进晴空模型的太阳辐照度超短期预测模型。首先,基于最小二乘法对美国采暖、制冷和空调工程师协会(American Society of Heating,Refrigerating and Air-conditioning Engineers, ASHRAE)模型进行改进,并由改进ASHRAE模型计算待测场站的理论晴空辐照度;然后,基于灰度共生矩阵和差分自回归滑动平均(autoregressive integrated moving average,ARIMA)模型获取待测场站未来1～4h的云团遮蔽特征;最后,利用该云团遮蔽特征和数值天气预报(numerical weather prediction,NWP)信息建立基于长短期记忆网络(long short-term memory,LSTM)的修正算法对理论晴空辐照度进行修正,得到未来1～4h的太阳辐照度预测结果。研究结果表明：通过该模型预测得到的太阳辐照度的月均方根误差为7...     

微电网光伏发电的Adaboost天气聚类超短期预测方法

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。     

基于S函数的光伏组件建模与仿真

提出了一种完全基于光伏厂商提供的可测参数的光伏组件输出V-I特性的数学模型,并且分析了温度和太阳辐照度对该数学模型的影响。基于这一数学模型在Matlab中利用S函数对光伏组件进行建模,S函数与压控电流源组合构成了非线性压控电流源,模拟了光伏组件的输出V-I特性。用户可以通过封装后的参数输入界面输入厂商提供的参数数据,负载电压、太阳辐照度和温度是模块的输入量,输出量为电流,通过仿真得到的模块V-I特性曲线与厂商测试的曲线具有较好的一致性。该模块可在光伏系统最大功率控制的仿真中使用。     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.