新能源风光发电功率预测模型分析

随着包括石油以及煤炭等在内的传统能源地下存储量日渐减少,而且因其应用过程中所带来的环境污染问题日渐严重,因此以太阳能、风能为代表的可再生能源得到了各个国家以及地区的青睐。但是由于风光发电在实际应用过程中通常存在着预测难度大、资源调度困难以及难以高效控制的缺点,故其在电网的安全稳定性方面往往具有非常大的隐患。为了保证电力调度的正常进行,并最大限度降低电网日常维护的成本,从而有效提升电网的安全性以及稳定性,需要对风力以及光伏发电功率进行准确合理的预测。基于此,本文对风力发电以及光伏发电的特性进行简单的介绍,同时对基于RBF神经网络的新能源风光发电功率预测模型进行简单的叙述分析,以期能够实现对风光发电功率的准确有效的预测,从而最大限度避免其应用过程中面临的问题。     

基于神经网络模型的光伏发电功率预测研究

随着全球环境污染变得日益严重以及能源需求的快速增长,太阳能光伏发电受到天气、大气状况等多种因素的影响,其发电功率具有不确定性,需要准确的预测模型来提高其利用效率。文章采用了长短期记忆网络(Long Short-Term Memory, LSTM)模型来预测太阳能光伏发电功率,将历史气象数据及发电功率数据作为输入变量,将极限学习机(Extreme Learning Machine, ELM)模型作为预测误差对比,证明长短期记忆网络模型能够有效提高预测精度,具有一定的实际指导意义。     

基于潮流交替迭代的光伏电站发电功率预测

传统的光伏电站发电功率预测方法由于不能控制光伏电站发电功率,导致预测的电功率值与实际值相差较大,不利于电力资源的调度.针对上述问题,研究了一种新的基于潮流交替迭代的光伏电站发电功率预测方法.该方法引入电压源性换流器,同时采用单点电压控制、多点电压偏差控制和多点电压下降控制取得控制效果.分析PV阵列的安装位置和转换效率,...     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于改进DDPG算法的中短期光伏发电功率预测

针对传统仿生智能算法处理异构光伏发电功率预测精确建模问题时存在的线路多阻抗参数约束下方差波动、线损分析易陷入局部极值等不足,提出了一种基于改进深度确定性策略梯度(DDPG)的中短期光伏发电功率预测模型。首先,通过引入多智能体机制,视发电系统涉及到的发电过程参数为独立活性的智能体,构建出具有社会属性的面向发电过程参数信息共享的全局最优协同控制体系。然后,通过改进的DDPG算法实现蓄电池储能功率自主精确调节和发电网输出功率的自动最优预测。最后,基于Tensorflow开源框架在Gym torcs环境下进行模型效能仿真并以某示范性异构光伏发电网为效能评价载体,对模型进行了工程应用合理性验证。     

基于神经网络的新能源电站发电功率预测方法

针对忽视了天气因素,功率预测结果与实际功率相差较大的问题,提出了基于神经网络的新能源电站发电功率预测方法。使用卷积神经网络,构建新能源电站发电功率预测模型,确定神经网络激活函数,确定不同新能源电站发电功率数据之间的关联性,分析预测结果与实际发电功率间的误差,完成新能源电站发电功率预测。实验结果表明,此方法在晴天与非晴天条件下,均可得到精度较好的预测结果,缩短预测结果与实际发电功率的差距。     

单相光伏发电并网的研究

针对如何提高太阳能光伏发电系统的转化效率,对具有最大功率控制的系统进行研究,提出了一种双环控制方式。并以STM32为控制器,给出了其控制方法。通过Matlab建模设计光伏输出后的控制系统,新的控制系统实现了最大功率跟踪与功率因数校正。仿真表明,该方式具有简单、控制方便、效率高的优点。并通过实物加以验证该方法的可行性,该控制策略可应用于单极式光伏并网系统最大功率点跟踪控制,且实现了系统的高效率并网运行。     

功率器件寿命预测模型

分析了功率器件寿命预测研究现状,并通过恒定应力加速寿命试验来提取器件失效参数,利用正态分布统计方法提取Coffin-Manson寿命预测模型参数建立功率器件寿命预测模型并进行分析。结果表明,模型参数拟合值和实测值的相关系数均在96.8%以上,试验结果满足正态分布统计,说明得到的模型参数是有效的。模型在ΔTj为70.5℃下仿真值与试验值的相对误差为2.768%,证明了该模型的可行性和准确性。     

一种风电功率的复合预测

本文以东南沿海地区某风力发电场数据为背景,在分析原始数据特点后,确定了相应的缺失数据的填补方法以及数据的预分解方法。之后针对数据预处理结果建立了基于时间序列和优化的BP神经网络复合预测模型,并给出风电功率预测结果。最后比较了复合模型与其它模型预测的均方误差以说明复合预测模型在提高预测精度方面的优势。     

小型风机最大功率点快速跟踪策略的仿真研究

风力发电系统的输出功率受外界因数和风速的影响。为了提高小型风机发电机组的转换效率,文中采用一种最大功率优化跟踪算法。以变步长来跟踪风速变化,当功率变化小于一个阈值时停止搜索,来实现最大功率收索的快速性和稳定性。以带齿轮箱6 kW的鼠笼异步式风力发电并网为基础,通过Matlab/Simulink软件仿真结果证实此种方法与定步长爬山法相比,能够达到快速跟踪最大功率点和避免达到最大功率点附近的时候频繁波动。     

风力发电系统功率解耦的控制方案

针对风力发电系统功率解耦控制存在时滞误差的问题,提出基于LM-Smith时滞补偿和误差修正的风力发电系统功率解耦控制方法,构建风力发电系统控制输入输出的参量模型,以及控制目标函数。采用LM-Smith算法进行参量的全局最优解计算,以最优解为训练向量进行时滞补偿和功率解耦控制,实现控制误差修正。仿真结果表明,采用该方法控制风力发电系统,功率的解耦性较好,提高了输出功率增益,在较大的负载范围内能有效实现稳定的电压输出。     

小型风力发电控制研究

在传统能源供应紧张的今天,新能源越来越受到人们的关注,很多的控制算法及电路构成相继被提出。针对小型风力发电中的功率跟踪控制方法,采用了公式推导的方法,得出了通过改变占空比实现功率跟踪的结论。并结合功率跟踪,设计了一种适用于小型风力发电系统的电能管理电路,适应风力发电机不分昼夜特性,分析了其工作原理,并给出相关的软件流程。     

直驱式风力发电系统中TSMC的研究

分析了将TSMC(双级矩阵变换器)作为直驱式永磁同步风力发电系的全功率变流器,并且分别对TSMC的整流级的PWM调制和逆变级空间矢量调制进行了推导和计算,简要分析了TSMC的换流方法。然后运用MATLAB对整流级和逆变级调制方法和对直驱式风力发电系统的要求进行仿真验证,仿真结果验证了本文的理论分析和调制方法的正确型,说明了TSMC具有调制方法简单、输出电能质量高等优点,同时也说明TSMC非常适合用于直驱式风力发电系统中,并且为进一步地研究TSMC提供了理论基础。     

风力发电对配电网电压的影响

大型风电场在接入地区配电网后,对配电网的电压有着严重的影响,主要影响因素有风场的类型、接入位置和出力大小等等。本文对风电场的无功补偿和有功功率进行了分析,并对影响配电压的因素做出了相关的阐述。     

一种用于风电功率预测的双存储结构LSTM模型

文章针对风力发电特有的间歇性和不稳定性等特性,提出一种双存储神经元的长短时记忆(LSTM)模型(DuLSTM)用于风电功率预测。通过建立双存储神经元结构的LSTM模型,对周期性较强和突变性较强的风电功率分别采用不同神经元建模,有效解决受天气剧烈变化影响下的风电功率预测精度较低的问题。实验结果表明,预测误差相对LSTM模型从10.4%下降到7.0%,改进后的Du-LSTM神经网络模型在预测精度和拟合度上优于原始LSTM网络模型。