基于遗传算法优化神经网络的光伏电站短期功率预测

针对现有光伏发电预测的不足,基于遗传算法(GA)和神经网络(BP)算法构建光伏电站功率预测模型,并使用组合权重法遴选相似日对模型进行修正。采用新疆某光伏电站运行实例验证模型的有效性,并对比BP-GA模型与单一BP模型的预测误差。结果表明,BP-GA模型克服了传统单一BP模型的不足,具有较高的预测精度,可为光伏发电预测工程实践提供参考。     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。     

基于小波变换和神经网络的光伏功率预测

提出了一种小波分解(Wavelet Transform,WT)和径向基函数神经网络(RBFNN)相结合的预测方法,并引入理论太阳辐照量、温度和相对湿度数据来预测未来24 h光伏电站的输出功率。小波分解能有效地表征光伏电站输出功率时间序列的局部特征,人工智能方法可以捕捉到光伏发电中的非线性特性。预测结果表明,采用该方法预测光伏电站输出功率,能有效地提高预测精度。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于EMD与ELM的光伏电站短期功率预测

针对传统光伏电站功率预测方法精度不高的问题,提出一种基于经验模态分解(EMD)与极限学习机(ELM)组合功率预测方法。该方法中,首先利用EMD分解分辨率为15 min的功率序列,得到一组相对平稳的分量,减少不同功率影响因素间的相互影响;然后针对各分量的不同特性,考虑相应气象因素作为输入,利用ELM神经网络建立不同的预测模型,分别预测各分量值;最后对ELM预测的各分量值求和,从而得到最终预测结果。算例仿真表明,该方法比传统的预测方法具有更高的预测准确度。     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

基于提升小波-BP神经网络的光伏阵列短期功率预测

提高光伏阵列的短期功率预测的精度,对光伏电站运营管理效率具有重要作用。文章提出了一种提升小波变换与BP神经网络相结合的直流侧功率输出预测滑移算法,对光伏阵列的超短期功率进行预测。实验结果表明,文章所提出的算法对超短期功率预测具有较高的精度,适用于晴天、多云、阴雨等复杂天气条件。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络（GA-WNN）的光伏电站发电量预测方法。首先,以反向传播（BP）神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法（GA）进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。     

基于小波变换和支持向量机的短期光伏发电功率预测

光伏发电功率预测是减小大规模光伏发电并网对电网造成不良影响的有效手段,对电网调度及光伏电站的优化运行具有重要意义。针对光伏发电功率序列的周期性和非平稳性,本文提出了基于小波变换和支持向量机（Support vector machine, SVM）的预测方法。文中对原始功率序列进行小波分解并单支重构,构成低频趋势信号和高频随机信号,利用具有小样本学习能力强和计算简单等特点的SVM对各小波数据序列分别预测,最终将各预测值合成得到预测功率值。某光伏发电站的实际数据仿真验证了该预测方法的可行性和有效性。     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度.提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进.以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交...     

基于MEA-Elman神经网络的光伏发电功率短期预测

摘要： 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。     

基于小波变换和混合深度学习的短期光伏功率预测北大核心CSCD

准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天气,将历史光伏功率时间序列转化为二维图像作为混合深度学习模型(Hybrid Deep Learning Model,HDLM)的输入。对于非理想天气,使用小波变换对历史光伏功率时间序列进行分解,将得到的分量和气象参数转化成三维图像作为HDLM的输入。在HDLM中引入并行结构,由多个并列卷积神经网络和双向长短期记忆网络组成。实验结果表明,在理想天气和非理想天气条件下,所提短期光伏功率预测方法均具有较高的预测精度。     

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

基于卷积长短期记忆神经网络的短期风功率预测

提出一种基于卷积长短期记忆神经网络(CNN-LSTM)的短期风功率预测模型.该模型以风电场风功率历史数据以及风速风向等数值天气预报(NWP)数据为输入对风功率进行预测.首先,利用主成分分析法(PCA)对原始多维气象数据变量进行预处理,然后将处理过的气象数据和历史风功率数据通过卷积网络实现对数据的特征提取和进一步的数据降...     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。