太阳能光伏发电功率短期智能预测方法

随着能源危机的加剧,太阳能光伏产业日益受到关注。而太阳能光伏发电功率存在波动性和随机性的特点,为减轻其对电网的影响,进行光伏出力预测是解决这一问题的基本途径。文章针对短期光伏预测中存在的计算量大、预测精确度低等难题,在对现场数据进行采集、处理与定量分析的基础上,基于改进的超闭球神经网络(Improved hyperball CMAC,IHCMAC)理论,提出了短期智能预测算法并对其加以改进,利用采集的气象参数、光伏发电数据,构建了光伏发电功率预测模型,并通过性能评价验证了该算法的有效性。     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

基于改进支持向量机算法的光伏发电功率预测

针对当前光伏发电间断性和随机性对电流影响较大的问题,基于改进支持向量机算法,提出光伏发电功率预测方法.通过灰色关联度优化气象影响因素参数,改进支持向量机算法,建立多气象因素协同约束的光伏电池等效模型,得到光伏电池的串联和并联电阻;将训练数据的总数映射到特征空间中,筛选数据并定义特征空间中的超平面,计算光伏发电的有效功率并降低误差.结果表明,预测结果与实际结果符合程度高,功率预测的绝对误差小,有效性和应用性得到验证.     

基于ANFIS的光伏输出功率超短期预测方法研究

光伏功率预测对于电网稳定安全运行及太阳能开发利用具有重要意义.根据天气预报信息,将天气划分为晴天、多云、阴天和雨天4种类型,并提出了在特定天气类型下基于自适应神经网络模糊推理系统(ANFIS)的光伏功率超短期预测模型.选取减法聚类算法形成初始模糊推理系统结构,有效避免了组合爆炸的问题.利用吉林省某高校光伏实验室的光伏功率数据进行实例分析,将该方法与多尺度持续法、多尺度滑动平均法和BP神经网络法的预测结果进行比较.结果表明,在不同天气类型下,前者的预测精度更高,验证了所提方法的有效性.     

基于微人工鱼群算法优化RBF神经网络

在人工鱼群算法的基础上提出了一种新的优化算法——微人工鱼群算法,作为径向基神经网络（RBFNN）的训练算法.微人工鱼群算法利用两个鱼群（寻优鱼群和库存鱼群）来寻优,寻优鱼群使用人工鱼群算法来寻找全局最优解,库存鱼群保证了寻优鱼群的多样性,微人工鱼群算法使RBFNN的隐中心位置和相应的宽度值同时得以优化,提高了RBFNN的泛化能力.将微人工鱼群算法优化后的RBFNN应用于双螺旋和IRIS分类,试验结果表明,相对于K-means以及人工鱼群算法,本文方法在泛化能力上得到提高.     

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新．同时,简要分析了人工鱼群算法的随机收敛性．仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性．     

基于指数平滑法的灰色预测模型

光伏发电具有不确定性,在接入电网时会给电力系统的运行带来一定的负面影响,而光伏发电功率预测技术则可以有效地缓解此类随机能源对电力系统的影响。针对光伏电站输出功率的随机波动性和间歇性问题,提出了一种基于指数平滑法的灰色预测模型。分别用改进前和改进后的灰色预测模型对光伏发电功率进行短期预测,并将预测结果进行对比分析,结果表明:改进后的灰色预测模型有更高的预测精度,其预测结果与实际光伏功率值更加接近。     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

基于生成对抗网络的光伏出力区间预测方法

准确的光伏出力(即发电功率)预测是光伏发电设备规模化并网后,保障电网的安全性和经济性的基础.针对传统点预测方法难以表征预测结果概率可信度的问题,研究了基于条件生成对抗网络的光伏出力区间预测方法.通过建立历史测量数据与预测光伏出力间的映射关系,生成光伏出力可能发生的场景.在此基础上,用Bootstrap法和区间估计法计算...     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

基于GWO-SVM与随机森林的组合光伏功率预测模型

光伏输出功率具有间接性和随机性,当大规模的光伏并网时,会对电网的稳定性造成破坏,影响供电的质量.为了降低对电网的危害,需要对光伏输出功率进行预测.针对单一的预测模型都有自身的局限性,提出了基于灰狼群算法(Grey Wolf Optimization,GWO)优化支持向量机(Support Vector Ma-chine,SVM)与随机森林(Random Forest,RF)的组合预测模型.通过分别建立GWO-SVM和RF两个单一的预测模型,利用随机森林的非线性映射能力,对权重系数进行调节,确定单一模型的权重,将GWO-SVM和RF两种模型组合起来进行预测,得到光伏功率预测值.实验结果表明,所提模型相对于单一的预测模型具有更好的预测效果.     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

基于改进人工鱼群算法的含风电场电力系统最优潮流计算

将风电场看作PQ节点并考虑风电场输出功率随机性和负荷随机性,提出含风电场的电力系统最优潮流计算方法。分析基本人工鱼群算法原理及其缺陷,提出改进人工鱼群算法(IAFSA);提出人工鱼群的视野和步长的取值方法,对初始种群的生成、行动方式和终止判据进行改进;并基于动态调整罚函数将带约束的有功最优潮流问题转化为无约束优化问题,实现含风电场的电力系统最优潮流计算.实例分析结果表明:基于改进人工鱼群算法比基于基本人工鱼群算法和遗传算法进行含风电场电力系统最优潮流计算具有更优全局收敛性和更快计算速度.     

基于改进人工鱼群算法的传感器优化布置

针对结构健康监测中传感器位置优化的问题,提出了一种改进的人工鱼群算法。改进算法采用整数对人工鱼进行编码,改进人工鱼距离的衡量方式,并改进算法的追尾和觅食行为,实现结构传感器位置的最优选择。以一个平面桁架结构为例进行数值模拟分析,验证所改进算法的有效性。仿真结果表明:相比于传统的人工鱼群算法,改进的人工鱼群算法具有更强的寻优搜索性能,收敛速度更快,精度更高,适用于解决土木工程结构中传感器位置的优化问题。     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

带回程取货车辆路径问题的人工鱼群算法研究

该文提出用人工鱼群算法求解带回程取货车辆路径问题,有效调度车辆在送货的同时完成取货任务。将人鱼个体能量函数、觅食行为、聚群行为和追尾行为等应用到优化问题中,仿真结果表明人工鱼群算法是一种解决带回程取货车辆路径问题的有效方法。     

分布式光伏无缝切换控制策略仿真与研究

为解决分布式光伏发电并网时对大电网产生的冲击,在分布式光伏发电系统中加入储能系统,形成混合发电系统,整个系统采用直流微网形式,仅使用一个双向DC/AC换流器,减少了电能损失和控制复杂度。光伏控制采用最大功率跟踪法。换流器并网时采用PQ控制,可平抑光伏功率波动,提高系统稳定性;独立运行时采用V/f控制,为交流侧提供电压和频率参考,蓄电池保证重要负荷的电源供应,实现混合系统与大电网的无缝切换。最后,通过对光伏发电系统不同运行模式转换进行建模仿真,验证了控制策略的有效性。     

电网电压不平衡跌落下两级式光伏并网系统直压控制策略

两级式光伏并网系统将光伏电能汇集至低压直流母线,通过并网逆变器送入交流电网,低压直流母线能满足本地负载需求,实现光伏就地消纳,而且相比传统分散逆变、就地并网的方案具有更高的发电能效。两级式光伏并网系统在交流电网电压发生不平衡跌落时,存在低压直流母线电压上升以及母线电压二倍频波动问题。电压上升可能导致光伏脱网,不满足光伏并网的低电压穿越要求;电压上升及二倍频波动也不利于直流负载的稳定工作。为了稳定电网电压不平衡跌落下直流母线电压,针对前级DC/DC(direct current to direct current)变换器采用了最大功率点跟踪与定低压直流母线电压控制模式切换策略,并在此基础上增加了比例谐振控制,解决了低压直流母线电压上升及二倍频波动问题,保证了电压的稳定,提高了电能质量。以电网电压发生单相跌落为例,进行了仿真和试验验证,结果证明了该控制策略的有效性。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。