基于改进麻雀搜索算法优化支持向量机的短期光伏发电功率预测

为了提高光伏发电功率预测的可靠性与准确率,提出一种基于改进麻雀搜索算法（tSSA）优化支持向量机（SVM）的短期光伏发电功率预测模型。首先采用自适应t分布增强麻雀搜索算法的种群多样性,然后利用tSSA针对SVM中的惩罚参数和核函数参数进行优化,在得到最优惩罚参数和核函数参数的情况下对光伏发电功率进行预测。对澳大利亚某光伏电站一年内的数据分析发现,每个季节的光伏发电功率有明显的不同。为此,充分考虑外界环境参数如辐照度、湿度、温度、风速和风向的影响,基于tSSA-SVM模型对不同季节的某一天做光伏发电功率预测。仿真结果表明,该模型具有较高的预测精度,特别是对秋、冬季节的光伏发电功率预测更为准确,具有较高的实用价值。     

基于MEA-Elman神经网络的光伏发电功率短期预测

为进一步提高光伏发电功率预测的准确度,从而将思维进化算法(MEA)和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于改进骨干差分进化算法优化LSSVM的短期光伏发电功率预测

准确预测光伏发电功率对于保障电力系统安全稳定和经济运行具有重要意义.提出一种基于改进骨干差分进化算法(IBBDE)优化最小二乘支持向量机(LSSVM)的光伏发电功率预测模型.IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率对骨干差分进化算法进行改进以提升算法的全局寻优能力,利用IBBDE算法优化LSSVM预...     

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。     

基于网络服务器的光伏发电短期功率预测研究与应用

通过分析当前国内光伏发电工程的特点,提出一种基于网络服务器的光伏发电短期功率预测系统,充分利用现有监控终端的数据上传能力,结合多数据终端上传的海量数据优化智能算法。此预测系统可以为多个光伏监控系统分时复用,节约了硬件资源;同时预测软件根据其获得的多系统数据特点,利用不同光伏发电系统的数据进行交叉优化,有效提高了预测准确率。     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。     

基于小波变换与优化BP神经网络的超短期光伏发电功率预测

光伏发电功率的精确预测可以帮助电网实现更精细的管理,提高能源利用率;但光伏发电功率受到多种环境因素的影响,且具有较大的随机波动性,故挖掘光伏发电的效率特性非常困难。该文提出一种新方法,通过使用小波变换和优化BP神经网络来预测超短期光伏发电功率。该方法基于皮尔逊系数,可以获得与气象因素相关的预测结果;基于离散小波变换（discrete wavelet transform,DWT）,将原始功率一阶差分序列分解为若干个不同频段的分量,提取光伏出力波动的频域特性;利用K-means聚类方法对功率一阶差分值进行聚类,并建立相应的神经网络预测模型,通过重组所得预测结果,得到初始预测功率差分值;利用气象因素通过GA-ACO-BP神经网络修正预测所得功率差分值,得到最终预测功率序列。利用某光伏电站所记录的实际功率数据进行验证,结果表明：DWT-GA-ACO-BP预测模型能提供较为精确的预测结果。     

风力和光伏发电短期功率预测研究进展与展望

风能和太阳能发电具有较强的波动性和间歇性,其输出功率随机变化会对供电质量和电力系统安全稳定运行带来诸多不利影响,进行风力、光伏短期功率预测具有重要意义。针对此,对风力和光伏发电短期功率预测方法和研究进展进行评述,并对提高光伏发电预测精度的不确定性理论进行了探讨,最后指出今后风力、光伏发电短期功率预测的研究方向及发展趋势。     

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

为了提高光伏发电功率短期预测结果的准确性,提出了一种基于改进灰狼（improved grey wolf optimization,IGWO）算法优化长短时记忆（long short term memory,LSTM）神经网络的光伏发电功率短期预测方法。利用余弦相似度寻找相似日,确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进,得到收敛性能更好的IGWO算法,采用IGWO算法对LSTM的超参数进行优化,建立了基于IGWO-LSTM的光伏发电功率短期预测模型。使用某小型光伏电站的运行数据进行仿真分析,结果表明,IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW,平均相对误差依次为3.43%、4.81%和6.33%,预测效果优于其他方法,验证了所提方法的实用性和有效性。     

基于CatBoost算法的短期光伏功率预测方法

光伏电站发电功率的间歇性与波动性对电网安全、稳定、经济运行的影响日益明显,因此需要不断提高光伏发电功率预测准确率,为电网灵活调度与规划提供准确信息。首先,介绍了短期光伏发电功率的预测算法、特征方程、预测流程以及评价指标。接着,通过SHAP方法对训练集所构造特征进行分析筛选,使用CatBoost算法进行训练。最后,通过与使用相同特征的其他机器学习算法模型预测精度的对比,表明所提方法有效提高了预测性能,证实了基于CatBoost算法、融合多维特征的模型在光伏功率预测中的优势。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构...     

基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

基于光伏发电的改进型Z源逆变器

随着Z源拓扑结构的不断改进,出现了阻抗网络中带有有源开关器件的结构,但其输出电压增益较低且调制范围有限.提出了具有高升压能力的耦合型开关准Z源逆变器,并加入耦合电感来消除输入电流纹波.针对有源开关器件的控制,提出改进型空间矢量脉宽调制(SVPWM)直通调制法,通过调节开关调制数i可以以较小的直通占空比获得更高的输出电压...     

基于混沌径向基函数的风电功率短期预测

风电功率预测方法分为两类,即直接预测法与功率曲线转换法。因风电功率具有混沌特性,故将混沌时间序列的相关理论引入到风速和风电功率预测中。鉴于预测精度在很大程度上取决于模型参数的选择,为此先用C-C法联合优化了重构相空间的参数,再用径向基RBF神经网络模型直接预测风电功率,或者由该模型得到风速预测值后,根据对应的风电机组功率特性曲线而推算出风电功率预测值。实例分析结果表明:所提出的两种方法均有较高的预测精度,其中基于混沌径向基RBF神经网络的风电功率直接预测法效果更优。     

基于RT-LAB的光伏发电系统实时仿真

本文利用光伏模拟器代替传统的光伏电池,建立单级式光伏发电系统,在RT-LAB仿真平台中搭建了实时仿真模型,对系统进行了仿真研究。该实验平台克服了实物系统受光照与温度现实条件的限制,同时可以兼顾硬件环境对实验的影响,弥补了全数字仿真的不足,为实验室内进行大功率的光伏系统实验提供了一个良好的平台。     

基于Android的家庭光伏发电管理系统的设计

在分布式能源发展中与人们生活最贴近的是家庭光伏发电系统,以嵌入式系统开发为核心设计了基于Android的家庭光伏发电系统,针对光伏系统的储能设备进行了基于LPC2210微控制器的设计,提高了蓄电池的使用寿命。     

基于太阳能发电的光伏阵列电气系统设计

清洁能源的使用是未来社会发展的趋势。以光伏发电为研究模型,对实现太阳能的高效利用展开研究,提出了一种高效的光伏阵列,使太阳能发电系统的能源利用率得到了显著的提升。通过对太阳能发电的电气系统进行一次设计,提出了35 kV侧无功补偿装置,使得系统更加合理、有效。     

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。     

适应分布式光伏动态特性的改进电能计量模型

针对分布式光伏发电模型,建立了分布式光伏并网信号数学表征式;基于时分割乘法器(TDM)电能计量模型,分析电能计量算法在谐波和电压波动条件下的误差产生理论,设计适应分布式光伏动态特性的有功计量修正模块,给出基于Hilbert变换的无功功率计量方法;将光伏并网信号数学表征式与改进的电能计量模型结合,提出了适应分布式光伏动态特性的改进电能计量模型,通过仿真验证了所提模型的有效性。     

基于ILSLOA的局部遮荫下光伏发电最大功率追踪

针对光伏系统在局部遮荫情况(PSC)下的功率失配问题,提出了一种基于增强型狮群算法(ILSLOA)的最大功率点追踪控制方法,在基本狮群算法(BLOA)的基础上,引入反向搜索机制,利用反向搜索因子加快追踪速度,增强狮群算法的全局搜索能力,应用到最大功率点追踪中.设置多种光照模式进行仿真验证,并与粒子群算法(PSO)、BL...