气象特征频繁变化区域的光伏功率预测方法

准确的光伏功率预测对电网稳定运行具有重要意义，因此提出一种气象特征频繁变化区域的光伏功率预测方法，以期能提高光伏功率预测的准确性。首先，基于Person相关性分析构建光伏功率预测的多变量时间序列；然后，利用C-C法对光伏功率预测的时间序列进行MPSR（多变量相空间重构），进一步挖掘光伏功率与气象特征间的耦合关系；最后，利用SVR（支持向量回归）对光伏功率与气象特征重构后的相空间进行非线性拟合并预测。为验证MPSR能够提高预测效果，同时比较了MPSR结合BPNN（反向传播神经网络）与RBFNN（径向基函数神经网络）的预测效果。算例分析表明，MPSR能够进一步挖掘气象特征变化频繁区域中包含的特征信息，结合MPSR的预测模型提高了光伏功率的预测精度。     

基于气象因子权重相似日的短期光伏功率预测

基于相似日的短期功率预测是一种有效的光伏预测方法,而相似日选取的准确性直接影响预测结果的准确性。通过k均值聚类算法将天气类型聚类识别,并利用光伏功率与气象因子的相关性分析提取出主要气象因子,再根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重,并给出带权重的相似度计算公式,从而获得相似日样本训练集。然后根据训练集建立遗传算法优化的RBF-BP组合神经网络模型进行预测,通过与传统的相似日选择算法进行比较,证明该模型具有更高的精度和适用性。     

基于模糊聚类和支持向量机的短期光伏功率预测

本文提出了一种基于模糊聚类和支持向量机的光伏短期功率预测方法。通过气象信息建立模糊相似矩阵将光伏发电功率历史样本划分为若干类,然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立支持向量机光伏发电功率预测模型,并利用余一法对构建的支持向量机模型进行核参数和惩罚参数的优化。根据实际数据对所提模型进行验证,计算分析了预测误差,结果表明该方法具有较高的预测精度,对光伏发电预测具有一定的参考价值。     

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。     

基于灰色关联与量子粒子群寻优的光伏短期预测

光伏发电系统的功率受天气因素影响很大,结合温度、湿度及辐照强度3个气象因素,对短期光伏功率进行预测。首先阐明3种气象因素与光伏出力的相关关系,进而提出相似日理论,利用灰色关联度分析提取出与预测日气候条件相似的历史日。再将筛选出的历史日数据作为训练数据,利用支持向量机模型对预测日光伏出力进行预测。针对支持向量机中的惩罚系数、不敏感损失系数及核函数核宽度系数的选择,提出改进的量子粒子群算法进行寻优。最后,依据青海某光伏发电站的气候数据及光伏出力数据进行计算,并与带收缩因子的粒子群算法与带惯性权重的粒子群算法进行比较,从误差范围及计算时间等角度,证明了所提方法具有更高的准确性。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于VMD-SE和优化支持向量机的光伏预测方法

针对光伏电站短期功率预测准确性的问题,提出了一种基于VMD-SE与改进的灰狼优化(Grey Wolf Optimization,GWO)算法优化支持向量机回归(Support Vector Regression,SVR)的组合预测方法。由于不同天气类型的光伏功率输出相差较大,因而利用相似日选取相同天气类型下的数据进行预测;考虑到光伏功率输出随机波动性较强,采用变分模态分解对原始光伏功率序列进行分解,以减少数据的非平稳性;为了克服支持向量回归参数盲目选取的弊端,利用改进的灰狼优化算法对其参数进行优化,以进一步提高数据的预测精度;最后,将分解后的子序列经样本熵重组后相加求和得到最终预测结果。算例结果表明,该组合预测方法整体上预测误差最小,有效提高了光伏输出功率预测的准确性,可以更好地保障电力系统的可靠运行。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。     

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。     

考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm,WPA）缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法（improved wolf pack algorithm,IWPA）,并通过IWPA对最小二乘支持向量机（least squares support vector machine,lSSVM）进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明：无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。     

基于回归—马尔科夫链的光伏发电功率预测

随着光伏发电系统在电网中的比重逐步增大,其对电网的影响也越来越大。提前对光伏发电功率进行准确预测有利于电网及时调度、保证电能质量,从而保证电网的安全运行。针对光伏发电功率预测问题,给出一种基于回归分析和马尔科夫链的发电功率预测模型。考虑到季节、天气类型和气象等主要影响因素,通过回归模型得到初步预测值和相对残差序列,再结合马尔科夫链理论建立状态转移概率矩阵,从而修正误差序列,提高算法的精度。根据某光伏电站的实测功率数据对所提模型进行测试评估,验证了回归分析和马尔科夫链组合模型的准确性、简便性和适用性。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

雾霾条件下光伏发电量预测的迭代优化与经济性分析

光伏发电易受温度、辐照度等环境因素的影响,而近年来雾霾（PM_2.5浓度较高）污染严重,大幅降低了光伏系统发电量。因此研究雾霾天气下光伏发电量预测方法对光伏市场的发展具有重要意义。通过采集上海某户用光伏屋顶的全年光伏数据,利用控制变量法及雾霾相似日原理,拟合分析PM_2.5的浓度与发电量损失指数之间的关系,通过迭代原理优化光伏发电量预测算法,并给出雾霾环境下光伏发电量预测公式,修正光伏收益预测模型。结果表明：优化后的光伏预测发电量算法可提高发电量预测结果的精确性和稳定性。通过对3种光伏经济模型进行收益分析,验证了迭代优化算法可有效提高光伏收益预测的精确性。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于SVR残差修正的光伏发电功率预测模型

作为一种重要的分布式电源,光伏发电发展迅速且当前部分地区的渗透率不断升高,对区域电网的安全稳定运行造成了严重的影响。光伏功率超短期预测可以为区域电力调度提供必要的数据支撑,促进新能源消纳目标的实现。但是光伏电源自身的波动性特性使光伏功率预测的精度难以提高。鉴于此,本文提出了一种考虑功率修正基于差分自回归移动平均模型(ARIMA)的光伏发电功率预测模型。首先,以光伏电站现场采集的功率时间序列数据建立ARIMA模型进行预测日发电功率的初步预测;其次,利用前一个气象相似日的预测残差数据建立支持向量回归模型对预测日的ARIMA预测残差进行预测;最后,对初步预测结果进行修正。现场实际数据建模证明了本文方法的有效性。#$NL关键词：光伏发电; 功率预测; SVR; ARIMA#$NL中图分类号：TM615     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于支持向量机光伏电池最大功率点跟踪研究

介绍了支持向量机（support vector machine,SVM）和光伏电池的数学模型,利用SVM技术对光伏电池的最大功率点所对应的最佳动作电压进行回归预测分析。通过 MATLAB/Simulink 建立仿真模型,采用基于 SVM的改进扰动算法进行最大功率点跟踪仿真研究,结果证明利用 SVM回归预测技术来实现最大功率点跟踪控制,能有效减少跟踪时间、扰动次数以及功率振荡现象,可以更好地发挥光伏电池的性能。