光伏发电系统功率预测研究方法综述

随着光伏发电大量并入电网中,为了合理制订发电计划,保证电力系统稳定运行,需要对光伏发电输出功率进行预测。主要就光伏发电系统功率预测研究方法进行了综合阐述,介绍了影响光伏发电系统功率输出的主要因素,概括了光伏发电系统功率预测中常用的人工神经网络算法、支持向量机算法等统计方法,最后给出功率预测结果评估的指标。     

光伏发电功率预测方法综述

精确的光伏发电功率预测是实现光伏电站顺利并网的关键。然而,太阳辐射、气候和地理条件等因素会导致光伏发电功率频繁波动,给功率预测带来了巨大挑战。针对当前光伏新能源大规模并网的需求,从多个角度探讨了光伏发电功率预测的意义及其分类,综述了人工智能技术在光伏发电功率预测领域的最新应用,包括传统机器学习、深度学习和组合方法,并进行了对比和总结。目前研究的主要类型是单一光伏电站的超短期和短期光伏发电功率预测,深度学习方法和组合方法是主流预测方法,数据预处理、特征提取和误差补偿是提升预测精度的关键因素。最后,展望了人工智能技术在光伏发电功率预测领域的未来趋势和研究创新点。     

基于多尺度聚类分析的光伏功率特性建模及预测应用

光伏功率曲线的建模和预测是电网运行调度和规划建设普遍关注的问题。对大量光伏电站录波数据的挖掘和利用为波动性光伏功率的建模提供了新的方向。提出了一种多尺度分析策略来实现对光伏功率时间序列的固有和随机特性的挖掘和建模。结合大时间尺度的多子集聚类分析和小时间尺度的标准化变换和概率分布建模方法,实现了对光伏功率波动性和规律性的挖掘,并与气象领域的理论模型进行了交互验证。最后通过实际光伏电站的日前功率预测实例验证了所述方法和模型的有效性。     

基于季节分区的光伏发电功率多SVR预测方法

为了更准确地对光伏发电功率进行预测,降低光伏并网给大电网带来的干扰,研究了一种分季节多支持向量回归(support vec-tor regression,SVR)预测模型预测光伏发电功率的方法.利用光伏发电站的历史数据,以环境温度与光照强度为输入参数,发电功率为输出参数,建立各个季节的多SVR模型.预测未来光伏发电功率...     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

基于径向神经网络的光伏发电功率预测方法研究

光伏发电输出功率具有明显的随机性和不确定性,大规模光伏并网会影响电网系统的安全、稳定运行。因此,对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础,分析得到光伏发电过程中各个影响因素与输出功率的秩相关度,并将相关度最高的影响因素作为预测系统变量输入,建立基于RBF神经网络的预测模型,对光伏发电的功率进行预测研究,通过变量和输出量的历史数据对RBF进行训练与预测。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

光伏发电功率超短期预测方法综述

大规模的光伏并网使电网安全问题日益突出,精准的功率预测能为电网安全稳定运行提供可靠的数据支撑。目前,国内外对光伏发电功率超短期预测开展了大量研究,但在其预测精度上还有待进一步的提升。为此,从影响因素、研究方法、预测难点及未来的发展趋势4方面对光伏发电功率超短期预测方法展开综述。首先对光伏发电的影响因素及预测方法进行归纳总结,然后在深入分析基于历史功率数据的预测法、考虑未来气象因素数据的预测法、基于云观测数据预测法以及多种数据组合的预测法的基础上,梳理出目前光伏功率超短期预测所存在的技术难点,最后结合其发展趋势,展望了未来技术研究的攻关方向。     

基于交叉熵理论的光伏发电功率组合预测方法

光电功率预测对电网的安全稳定运行以及调度等方面具有重要意义.针对单一预测方法精度较低的问题,提出了一种基于交叉熵理论的光伏发电功率组合预测方法,以单一预测方法和最小化组合预测方法的"差值"为依据,动态地改变不同预测方法的权重,提高组合预测的精度.以某光伏电场为算例进行分析,结果表明,该模型针对不同的天气,具有较强的预测...     

基于神经网络的光伏系统发电功率预测

分析光伏系统的发电特性以及影响光伏发电的因素,建立基于神经网络的光伏发电功率预测模型.该模型采用三层BP(反向传播)神经网络结构,利用其强大的非线性映射和泛化能力,按季节建立4个预测子模型,子模型中将相同日类型的光伏发电功率的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

利用最佳相似日的光伏电站短期出力预测

提出一种基于最佳相似日的光伏电站短期出力预测方法。该方法利用密度指标确定初始聚类中心优化K-means聚类算法,采用加权欧式距离法获得历史样本的出力水平相似日集,采用相关系数法获得历史样本的曲线形状相似日集,确定预测日出力水平相似日集和曲线形状相似日集,选取两集合的交集样本作为最佳相似日。建立BP神经网络出力预测模型,采用光伏电站的实测数据训练预测模型,对比不同类型天气的预测结果与实测数据,表明论文的预测方法具有较高的预测精度。     

一种基于森林模型的光伏发电功率预测方法研究

为了有效预测光伏发电站发电功率,提高预测精度,给出一种基于森林预测模型FPPG(Forest for Photovoltaic Power Generation)。FPPG是一个由多个回归树组成的集合预测模型。在学习阶段,FPPG首先随机抽样方法构建有差异的训练数据集,进而在不同的训练集上构建有差异的回归树。在预测阶段,首先,FPPG将输入信息沿着每棵树的某条路径分派到相应的叶结点,使用这些叶结点预测发电量,然后,平均这些预测结果得到FPPG对发电厂系统发电量的预测。在实测运行数据集上的实验结果表明,较之于神经网络,FPPG同时表现出更高的预测准确性,从而提高了光伏发电功率预测精度。     

基于并行数据处理结构的电能质量在线监测

提出了基于现场可编程门阵列器件FPGA与数字信号处理器DSP并行结构的在线电能质量监测与分析。由FPGA同步产生系统控制时序,并充分利用FPGA与DSP各自在数字信号处理领域中的特点,在FP GA内设计了16位浮点FFT运算模块用于谐波分析,应用DSP实现电压波动与闪变等电能质量指标数据的计算,采用FPGA与DSP并行数据处理的方式,达到采样与数据处理的同步进行的目的,从而完成对多路信号的无缝采样与分析。     

基于并行数据处理结构的电能质量在线监测

提出了基于现场可编程门阵列器件FPGA与数字信号处理器DSP并行结构的在线电能质量监测与分析 .由FPGA同步产生系统控制时序,并充分利用FPGA与DSP各自在数字信号处理领域中的特点,在FPGA内设计了16位浮点FFT运算模块用于谐波分析,应用DSP实现电压波动与闪变等电能质量指标数据的计算,采用FPGA与DSP并行数据处理的方式,达到采样与数据处理的同步进行的目的,从而完成对多路信号的无缝采样与分析.     

基于神经网络光伏发电预测模型的研究

随着光伏发电应用规模和区域的不断扩大,光伏发电系统监控具有越来越重要的意义.而光伏发电预测是光伏监控系统能量调度的一项重要日常工作,是制定输配电方案的主要依据.通过对比三种主流的光伏发电预测模型,分析影响光伏发电量的各种因素,设计了一种新颖的基于BP神经网络的光伏发电预测模型.该模型根据不同的日类型和季节进行预测子模型划分,预测子模型以温度、历史发电数据、历史日照强度数据为输入数据对模型进行了训练与仿真分析.预测结果验证了该模型的有效性,对于保持电力系统的功率平衡和经济运行有着重要的意义.     

基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用.然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题.因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN).利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加...     

基于典型代表电站和改进SVM的区域光伏功率短期预测方法

准确的区域光伏功率预测作为解决光伏并网消纳和多能互补问题的技术之一受到越来越多的关注,提出一种基于典型代表电站和改进支持向量机(SVM)的区域光伏功率短期预测方法.通过K-means聚类将同一地区光伏电站划分到不同汇聚区,使用历史数据和3种数学相关系数计算得到各汇聚区典型代表电站,并通过4类光伏功率指标分析各典型代表电站与汇聚区的一致性,基于此,以改进SVM代替传统的滚动预报形成区域功率预测模型.实际算例分析表明,所提方法可提升区域光伏功率短期预测精度.     

基于时间序列的大型光伏电站发电短期预测

环境变化条件下,短期精确预测光伏(photovoltaic,PV)发电量对于确保电网运行、调度和电网能源管理至关重要,尤其是在未记录太阳辐射测量或天气参数历史值的位置.通过搭建基于人工神经网络(双向长期短期记忆)的方法和统计方法(季节性自回归综合移动平均值)模型,对比分析大型光伏发电量的时间序列预测结果,考虑预测时间范围变化对所有算法的影响.当前工作中使用的数据为从20 MW并网光伏电站获取的3640 h运行数据.人工神经网络和所提统计模型可用于提前1h准确预测光伏电站的发电量,对光伏系统与智能电网的集成起重要指导作用.     

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。