基于多维气象数据和PCA-BP神经网络的光伏发电功率预测

太阳能光伏发电受很多随机因素的影响,这使得光伏系统输出功率具有不确定性的特点。光伏系统输出功率的精确预测对电力系统的未来规划、调度管理和运行控制有着重要意义。通过多个渠道搜集多维数的历史气象数据,同时将天气类型分为无云、有云、多云和雨天4类;然后基于反向传播(back propagation,BP)神经网络建立不同气象条件下的光伏发电功率预测模型;最后利用主成分分析(principal component analysis,PCA)对原始气象特征数据进行降维分析和处理,以提高计算速度和精度。仿真算例结果验证了所建立的光伏发电功率预测模型的有效性,而且PCA降维能够降低训练,减少预测的计算时间,并提高预测精度,这表明PCA能适用于未来海量气象大数据下光伏电站短期、超短期的分钟级实时功率预测。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

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...     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于相似日理论和PCAＧPSOＧBP的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于相似日理论和主成分分析(PCA)-粒子群算法(PSO)-BP神经网络的光伏发电功率预测模型.考虑不同季节下发电功率差异较大,通过灰色关联度选取预测日的相似日,采用主成分分析法对影响光伏发电功率的因素进行降维处理,利用降维后的相似日气象数据和历史发电功率数据来建立PSO-BP预测模型.试验验证,该方法与单一BP神经网络、PSO-BP预测模型相比,功率预测精度得到提高.     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

基于Spiking神经网络的光伏系统发电功率预测

为了提高光伏系统发电功率预测的精度,本文提出一种基于Spiking神经网络(SNN)的预测模型。该神经网络采用精确脉冲时间的编码方式,更接近真实的生物神经系统,具有强大的计算能力。考虑季节类型、天气类型和大气温度等主要影响因素,该模型采用灰色关联分析法选取相似日。本文应用实际光伏发电系统的数据分别对基于SNN、BP人工神经网络(BP-ANN)和支持向量机(SVM)的预测模型进行测试和评估。预测结果表明:SNN预测模型相比于BP-ANN和SVM模型有较高的预测精度和较强的适用性,可以为光伏系统发电功率预测提供一种可行方法。     

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。     

基于相似日和分位数回归森林的光伏发电功率概率密度预测

为提高光伏发电功率预测精度及可靠性,提出一种基于相似日和分位数回归森林(QRF)的光伏发电功率概率密度预测模型。选取某光伏电站实测数据为研究对象,在将光伏发电功率原始数据按不同天气类型进行分类的基础上,通过温度和风速2个特征向量选取相似日,并对相似日历史数据建立BP神经网络(BPNN)、支持向量机(SVM)和QRF预测模型。结果表明:晴天时,不同模型预测值均能较好跟踪真实值变化趋势,在13:00—16:00光伏发电功率下降时间段,QRF模型更接近真实值;多云或阴天时,在9:00—12:00,3种模型预测误差均较大;雨天时,在14:00—16:00光伏发电功率突变时间段,BPNN模型预测误差最大,SVM预测值相对于QRF模型更接近真实值,而在10:00—12:00,SVM模型预测误差增大。对不同模型不同天气类型下的预测误差,QRF模型预测性能更佳。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期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。     

基于主成分分析和遗传优化BP神经网络的光伏输出功率短期预测

针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。     

光伏发电出力的条件预测误差概率分布估计方法

光伏发电出力的可预测性较低,相比点预测而言,光伏发电出力的概率性预测能够提供更多的信息,有利于电力系统的安全经济运行。提出了一种基于Copula理论的光伏发电出力的条件预测误差分布估计方法。采用Copula函数对光伏实际出力与点预测的联合概率分布进行建模,实现了任意点预测对应的光伏实际出力的条件概率分布的估计。针对天气状况,对光伏预测精度影响较大的实际情况,采用聚类的方法按天气类型将历史数据进行分类,针对每类天气类型的光伏预测误差分别进行建模以提高预测误差估计的准确度。以2014全球能源预测竞赛(GEFC 2014)中的光伏出力数据进行了实证分析,验证了所提出方法对光伏出力条件预测误差估计的有效性,结果表明提出的方法在校准性和锐度方面均优于常用的正态分布的预测误差估计方法。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

LCL型非接触电能传输系统电路特性分析及参数配置方法

将二端口电路理论引用到非接触电能传输(CPT)系统中,通过二端口理论对LCL复合补偿型CPT系统进行建模分析,发现了其输入与输出电压间的倍数关系。同时,对耦合机构进行了重新建模,使其分析变得简单明了。在此基础上,给出了整个系统的参数配置方式,并分析了其输出电压和功率、效率特性。为证明此参数配置方式优越性,推导了SS型CPT系统的输出功率公式,并进行对比。结果发现所述方式能够输出更大的电压和功率,仿真和实验同样证明了所述结论。     

计及附加机会收益的冷热电联供型微电网动态调度

在分时电价及微电网并网运行条件下,为更好地调度储能和可调度型微电源并优化微电网购电及售电功率,建立了计及附加机会收益的冷热电联供(CCHP)型微电网动态调度模型。以一个包含风机、光伏电池、储能、燃料电池、CCHP系统的微电网为例,采用基于模拟退火的粒子群优化算法对调度模型进行动态寻优,从而求得调度周期内各微电源的最佳经济出力,同时比较了CCHP系统相对于分产系统的优势。算例分析验证了所述模型和算法的有效性,仿真结果表明:并网运行条件下,计及附加机会收益的CCHP型微电网调度模型能够在能源梯级利用和节能减排的基础上,优化网内各组成部分的出力从而降低微电网的运行成本。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

基于Copula理论的风/光出力预测误差分析方法的研究

准确预测风/光出力能够提高电力系统经济调度的可靠性。本文提出了一种新型的风/光出力预测误差分析方法,在基于点预测数据基础上,针对风电出力和光伏出力点预测精度不高的问题,采用Copula函数分别计算风电出力和光伏出力的实际值和预测值的联合概率分布,采用聚类的方法分别按天气类型和季度分析历史数据,分别对风电出力和光伏出力预测误差进行建模以提高预测精度,同时在各环境下考虑风电场和光伏电站的相关特性,使预测更加准确。以某风/光电站实际出力数据、天气、时间等为样本进行了实例研究,通过与传统预测方法进行对比验证了模型的精确性。