基于改进EMD及Elman算法的短期光伏功率预测研究

本文提出一种基于改进EMD算法及Elman算法相结合的光伏功率预测方法。首先对历史数据根据辐照时长及辐照强度进行聚类分析,确定待预测日的所属类别及对应的辐照强度待预测时段;其次根据主环境特征量在待预测日所属类别中构建同类型日时间序列,利用改进EMD算法对同类型相似日时间序列进行中值滤波,并按波动程度进行模态分解,同类型模态划归一类,最后采用Elman算法对各模态类进行辐照强度预测,进而得到光伏逐时发电功率值。该方法旨在提高弱辐照情况下对辐照强度预测精准度,经验证,该方法适应了不同类型日的辐照强度预测,能够在一定程度上提高预测精度。     

基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测

准确的太阳能辐照量预测对于光伏发电系统具有重要意义。提出一种基于经验模态分解(EMD)和ELM神经网络的逐时辐照量组合预测模型。首先,根据预测日的环境信息,构建相似日逐时辐照量时间序列;然后,将时间序列进行EMD,分解为具有不同频率的信号,并对每个信号建立ELM神经网络预测模型;最后,将不同信号的预测值相加便可得到原始辐照量序列的预测值。算例比较表明,所提方法比传统的预测方法具有更高的预测准确度和更快的运算速度。     

改进相似日评价函数在短期负荷预测中的应用

为提高短期负荷预测的精度,在分析传统相似日选取不足之处后提出了结合形状相似度与日特征相似度的两种改进的相似日评价函数,对其误差特性进行实例对比分析后得出了相似日方法在短期预测中部分共有的性质,最后结合回归预测方法,组成一种系统的短期负荷预测方法。通过实际数据的仿真实验证明该方法在传统相似日的基础上可以提高精度1.5%,是一种相对完整而有效的短期负荷预测方法。     

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。     

基于相似日和径向基函数神经网络的光伏阵列输出功率预测

选取太阳辐照时间、辐照强度以及气温等影响光伏阵列输出功率的主要气象因素,根据相似日的输出功率具有较强的关联度,提出选择相似日的方法,设计基于相似日和径向基函数(RBF)神经网络的光伏阵列输出功率预测模型。选取最邻近的一个相似日与待预测日气象特征向量的差值作为RBF神经网络的输入变量,神经网络的输出值即为待预测日光伏阵列输出功率。以我国西北某地光伏阵列的实测功率数据对所提模型进行训练和验证,得到预测模型的平均绝对百分误差为13.82%,均方根误差为0.4054,验证了所提模型具有较好的精度。     

基于GA-ELM神经网络的逐时太阳辐照量预测

太阳能辐照量是影响光伏发电的主要因素,准确的太阳能辐照量预测对于光伏发电具有重要的作用。为提高预测模型对环境因素的敏感性与预测精度,提出基于遗传算法(genetic algorithm,GA)改进极限学习机(extreme learning machine,ELM)的太阳辐照量预测方法。首先,选取与太阳能辐照量相关的候选属性因素,确定输入变量;其次,以2009年到2014年与待预测日相同日期前后15 d范围内数据为训练集;再次,采用GA优化ELM的隐含层输入权值及偏置向量;最后,采用优化后的GA-ELM模型,开展逐时太阳辐照预测模型。实测算例表明,相较ELM、BP神经网络,新方法具有更高的预测精度,能够适应外界气象条件突变情况下的辐照预测需要。     

基于改进相似日算法的光伏电站功率预测

针对传统光伏电站功率预测方法精度不高的问题,给出一种基于改进相似日算法的广义回归神经网络功率预测方法.在该方法中,提出一种对日相似度与前趋势相似度进行多目标优化来选取相似日集的改进相似日算法,并建立了基于此算法的广义回归神经网络功率预测模型,以太阳辐照度、温度和湿度作为模型输入,光伏电站发电功率作为模型输出,提前一天预测间隔为1h的输出功率.利用甘肃某光伏电站的实测数据进行仿真,结果表明,该方法较传统功率预测方法有更高的预测精度.     

施耐德电气全面进军中国新兴太阳能光伏市场

2010年6月2日,施耐德电气宣布成功地在中国新兴太阳能光伏市场连续获得两个项目。该光伏项目与中广核太阳能开发有限公司合作兴建,敦煌10MWP电网光伏发电站项目和青海锡铁山10MWP电网光伏发电站项目。施耐德电气提供太阳能系统解决方案,从汇流箱到升压方案、太阳能逆变器、低压配电设备和本地定制服务。     

基于相似日理论和BP神经网络的光伏发电功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时长和气温等多种气象因素的影响,具有随机性和波动性。对各种气象影响因素进行合理的选取和处理,寻求光伏发电系统输出功率与各种相关因素之间的内在联系,对光伏发电系统未来的输出功率进行科学的预测。由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,提出选择光伏阵列输出功率相似日的方法,设计基于相似日原理的BP神经网络光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行验证。结果表明,模型有较好的预测准确度,具有一定的实用性及可行性。     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。     

施耐德电气全面进军中国新兴太阳能光伏市场

2010年6月2日,全球能效管理专家施耐德电气宣布成功地在中国新兴太阳能光伏市场连续获得两个项目。此光伏项目与中广核太阳能开发有限公司合作兴建,敦煌10MWP电网光伏发电站项目,青海锡铁山10MWP电网光伏发电站项目。施耐德电气提供太阳能系统解决方案,从汇流箱到升压方案、太阳能逆变器、低压配电设备和本地定制服务。施耐德电气曾在2008年收购了Xantrex技术有限公     

基于改进相似日的光伏系统日发电量预测

光伏系统日发电量预测对于提高可远程监控的离网光伏设备的电能管理具有重要的意义。针对这一需求,通过分析影响光伏系统日发电量的因素,提出了用加权平均总云量以量化日天气类型,并以此改进选取相似日过程中气象特征向量的构造。通过计算分析相似度筛选出与预测日特征相似的历史数据,作为预测模型的训练样本,利用支持向量机回归(SVR)对光伏系统的日发电量进行预测,并通过某地太阳能LED路灯的实测数据对模型进行验证,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,所提模型具有有效性和实用性。     

基于功率区间划分的光伏电能质量测试与分析

甘肃是我国太阳能资源最丰富的地区之一,已经建设了一批大型光伏发电站。在高效利用光伏资源的同时,光伏发电站并网点电能质量一直是需要关注的问题。根据光伏发电站输出功率波动的特点,按照输出功率划分测试数据,分析并网点三相不平衡度、闪变、电流谐波、间谐波、高频分量等指标,研究光伏输出的电能质量测试问题。通过对甘肃河西某50 MWp光伏发电站不同输出功率下电能质量实测,对比分析得到输出功率波动对并网电能质量的影响。     

基于智能优化方法的相似日短期负荷预测

针对传统相似日法中各因素相似度及其权重需要人工赋值的不足,在充分考虑日期类型、日期距离、气象因素等几种主要常规影响因子的前提下,建立了一种基于智能优化方法的相似日模型对日用电量进行短期预测。相似度计算公式中全部原本需要人工赋值的参数均由历史数据基于果蝇优化算法训练得出。参数值可以根据特定用户的负荷变化特性动态调整,增强了相似日法的准确性和通用性。为了解决求解参数的多维优化问题,避免算法陷入局部极值,提出了一种引入多种群概念的果蝇优化算法,增强了算法的全局搜索能力。仿真实例表明,相比起传统的相似日模型,基于智能优化方法的相似日模型的预测准确率有了明显提高。     

新疆最大光伏电站投产发电已倒计时

目前,新疆光伏电站项目已进入倒计时阶段,在全疆最大的中电投哈密20MW太阳能光伏发电站建设工地,现正在安装光伏板,至2011年8月底,形成了由8万多块太阳能电池板所组成的大型光伏电站,预计年发电量将达到3700多万度。     

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。     

基于分段分层相似日搜索和自适应脊波神经网络的风电功率多步预测

为进一步提高风电功率预测精度,提出了一种基于相似日理论结合自适应脊波神经网络的风电功率预测模型。在传统相似日方法上,将相似日细致到"相似时段",即基准段和预测段;采取对基准段风电功率曲线和预测段日特征向量进行双重搜索的方法,保证了相似精度;并采用分层搜索逐步逼近预期目标,既突出主导因素又节约计算时间。在基准段曲线相似度的基础上结合机组启停状态,并引入了预测段的特征量,增加了相似日的评估信息,使得相似日的选取更加合理、准确。用自适应脊波神经网络对相似样本进行建模、训练,得最终预测值。经算例分析,该方法能有效预测未来12 h的风电输出功率,从而实现较高精度的多步预测,为调度部门提供有力支持。     

基于气象信息因素修正的灰色短期负荷预测模型

针对传统灰色模型应用于短期负荷预测的缺陷,改进了多角度数据组织策略,选择社会活动背景相似度较高的历史日作为相似日,建立了气象因素突变判别准则,以识别相似日中的气象突变,并采用回归法消除相似日负荷数据中的受气象敏感负荷分量.采用邻近趋势外推法和相似日替换法矫正灰色模型预测时容易产生的局部畸变点.实验结果表明,改进后的灰色模型预测精度提升明显,预测精度平均提高1％～2％,最高可达7％.该方法能同时考虑社会活动规律和气象因素对负荷的影响,克服了传统模型本身对不规律数据预测精度差的缺点.     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

基于CSO优化深度信念网络的园区能源需求预测方法

针对目前能源需求预测影响因素繁多、构建模型复杂、预测精度不足的问题,提出了一种改进关联分析和纵横交叉优化深度信念网络的多能互补系统能源需求预测方法。首先,分析了园区多能互补系统冷热电能源需求的影响因素,并采用互信息和误差最小的方法对其进行确定。其次,基于传统灰色关联分析的不足,建立了距离相似度和趋势相似度的综合相似度的相似日选取方法。囿于深度信念网络初始权重的随机化,采用纵横交叉优化深度信念网络对园区冷热电负荷进行预测。以园区为仿真计算实例,分析冷热电负荷变化对能源需求预测的影响,验证了所提预测方法有效地提高了预测精度,具有较高的准确性和实用性。