光伏发电系统最大功率点跟踪仿真

随着世界的发展,能源危机日益严重,太阳能及其利用率的逐渐提高,得到了人们的充分重视。其中光伏发电系统是将太阳能转化为光电能源的系统,而太阳能的转化率取决于光伏电池列阵转化效率的高低。该文首先简单介绍了国内外光伏产业的发展现状,并介绍了其发展前景、光伏电池的运行原理及其等效模型的简化形式。其次,介绍了在传统扰动条件下的功率点跟踪方法,在此基础上,对蚁群算法和粒子群算法的各自特点进行了介绍。     

基于EEMD-LSTM方法的光伏发电系统超短期功率预测

为提高光伏发电系统功率超短期预测的准确性,提出一种基于EEMD-LSTM的光伏电站超短期预测模型。该模型选取某50 MW光伏电站2017年功率数据作为样本,根据天气因素分类指标将天气情况分为非突变天气和突变天气两大类,利用EEMD将分类天气的历史功率数据分解为IMF1～IMF5和剩余分量,计算各个分量与原始数据之间的相关性并将强相关的分量送入LSTM神经网络,叠加各子分量结果得到最终的光伏功率预测结果,同步搭建BP、SVM、KNN和LSTM模型与所提模型进行误差对比。结果表明：天气因素对光伏输出功率有较大影响;单一模型对功率波动较大的突变天气进行预测时会产生较大误差;功率数据经过EEMD分解,可充分提取细节特征,使得EEMD-LSTM耦合模型较LSTM模型在e_RMSE、e_MAPE、e_TIC上分别提升21.23%、11.92%、25.67%。所提模型可有效提高光伏功率超短期预测的准确度,满足光伏发电系统超短期预测的要求。     

基于EEMD-MPE-LSSVM的光伏发电功率预测

为提高光伏并网的调度效率和运行稳定性,提出一种基于EEMD-MPE-LSSVM的光伏发电功率预测方法.首先,选取光伏发电功率部分历史数据作为训练样本,采用集合经验模态分解(EEMD)方式对历史功率曲线进行分解;然后,对不同频率特性的分解模态分量进行最小二乘支持向量机(LSSVM)预测,并结合初始功率曲线迭代误差完成预测...     

光伏发电系统输出功率预测分析

本文主要提出了建立在马尔科夫链基础之上的光伏发电系统输出功率预测的方式,通过数据建模的方式,将光伏电站的出力进行直接预测。通过理论推测,从而证实该方式在预测光伏发电系统输出具有可行性。以某光伏中心电站作为案例进行建模预测,从而证实该方式的有效性,并对模型参数进行调整,从而提高结果的精确性。     

考虑大气颗粒物对辐照度影响的光伏功率预测

太阳辐射强度受大气颗粒物浓度影响显著,对光伏发电功率预测准确度的影响不容忽视。为提高太阳辐射强度以及光伏发电功率预测准确度,通过K-means算法对大颗粒物浓度以及相对湿度历史数据进行聚类,基于聚类数据利用径向基神经网络分别建立大气气溶胶光学厚度预测模型;在预测的大气气溶胶光学厚度基础上,结合双波段太阳辐射大气传输模型与倾斜面辐射模型,预测光伏电池板面接收到的太阳辐射强度;最后利用气温和预测光伏电池板面接收到的太阳辐射强度,结合光电转换模型实现光伏发电功率预测。通过实验验证,预测模型平均误差为6.07%,考虑大气颗粒物浓度对太阳辐射强度影响的光伏发电功率预测模型具有较高准确度。     

太阳能光伏发电的预测方法

太阳能光伏发电作为一种取之不尽,用之不竭的清洁环保能源,已成为未来能源发展的重点,本文对太阳能光伏发电的预测方法进行了分析与总结,根据太阳能光伏发电的应用及需求,归纳了各类太阳能光伏发电预测方法的优点及不足,希望对我国太阳能光伏发电预测方法的发展起到一定的促进和推动作用。     

改进型LSTM网络光伏发电功率预测研究

针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。     

基于不确定性天气数据的光伏发电系统电量分时段预测

光伏发电作为一种环境友好、可再生的能源,已经得到广泛的应用和重视。然而,在实际使用中光伏发电量的波动性很大,主要取决于光照、气温等天气因素。因此该文提出一种基于不确定性天气预测数据的光伏发电系统发电量分时段预测方法。该方法引入SolarPredictor模型,使用公开的天气预报数据进行光伏发电厂的发电量预测。此外,由于该模型可以根据某段时间内真实的天气预报数据进行训练,提高了预测精度,同时还可以得到天气预测数据中的错误。实验结果表明,该模型在对短时间段和长时间段的预测结果均优于传统的预测方法。     

基于DMC算法与遮蔽因子积分修正光伏发电预测研究

光伏发电具有波动性和间歇性,尤其海岛天气突变较大,为海岛独立新能源微电网平稳运行,合理利用可再生能源,在详细分析影响光伏发电因素的基础上提出一种基于DMC算法与遮蔽因子积分修正的光伏发电预测方法,实现光伏发电准确预测。通过对珠海某海岛的风光柴蓄微电网系统光伏发电预测分析,验证此方法的有效性和实用性。     

PSO和Cholesky分解的KELM的基因表达数据分类

核极限学习机(KELM)可使低维空间中线性不可分的数据变得线性可分,增加了ELM算法的鲁棒性,但KELM算法的输入权值参数采用随机初始化,容易导致算法不稳定.为此,本研究提出用粒子群优化算法对KELM中的权值初始参数进行优化、设定,以得到优化的分类器PSO-KELM.由于该算法输出权值求解采用传统的矩阵求逆运算,导致计算复杂,因此再对KELM的输出权值采用Cholesky分解进行优化.经一些标准基因数据集的实验表明,提出的PSO-KELM算法与已有的ELM、KELM、PSO-ELM相比分类精度更高,适用于基因表达数据分类.     

Optimization of Adaptive Fuzzy Controller for Maximum Power Point Tracking Using Whale Algorithm

The advantage of fuzzy controllers in working with inaccurate and nonlinear inputs is that there is no need for an accurate mathematical model and fast convergence and minimal fluctuations in the maximum power point detector. The capability of online fuzzy tracking systems is maximum power, resistance to radiation and temperature changes, and no need for external sensors to measure radiation intensity and temperature. However, the most important issue is the constant changes in the amount of sunlight that cause the maximum power point to be constantly changing. The controller used in the maximum power point tracking (MPPT) circuit must be able to adapt to the new radiation conditions. Therefore, in this paper, to more accurately track the maximum power point of the solar system and receive more electrical power at its output, an adaptive fuzzy control was proposed, the parameters of which are optimized by the whale algorithm. The studies have repeated under different irradiation conditions and the proposed controller performance has been compared with perturb and observe algorithm (P&O) method, which is a practical and high-performance method. To evaluate the performance of the proposed algorithm, the particle swarm algorithm optimized the adaptive fuzzy controller. The simulation results show that the adaptive fuzzy control system performs better than the P&O tracking system. Higher accuracy and consequently more production power at the output of the solar panel is one of the salient features of the proposed control method, which distinguishes it from other methods. On the other hand, the adaptive fuzzy controller optimized by the whale algorithm has been able to perform relatively better than the controller designed by the particle swarm algorithm, which confirms the higher accuracy of the proposed algorithm.     

双面光伏组件的功率测试

双面光伏组件由于正反两面均能发电而受到关注,如何测试其功率是当下研究的热点。对目前行业内最新的3项标准草案和1项测试方案进行了介绍和比较,并对其测试方法提出了参考建议。通过试验发现:在不同标准的指导下,同一块组件功率的测试结果差异较大,双面光伏组件的功率测试需要统一的方案。     

新能源功率预测算法优化研究

以风能和太阳能为代表的新能源具有随机性、间歇性和波动性,对新能源发电功率进行预测是有效解决以上问题的途径。在确定性预测中充分考虑风电出力和预测模型特性,提出分段支持向量机（piecewise support vector machine,PSVM）和神经网络（neural network,NN）预测算法;充分考虑天气特征对光伏出力的影响,提出基于气象特性分析的光伏出力预测算法。通过若干风电场的算例分析,证明了上述几种预测模型的实用性,为功率预测的可靠性分析提供支持。     

基于分布式光伏发电的多目标分时电价优化策略

现有电力定价研究大多为峰谷分时定价,时段划分方式单一且大多采用传统非支配排序遗传算法-II求解多目标问题。针对这个问题,提出一种基于分布式光伏发电的多目标分时电价优化策略。建立用电量与电价响应模型,基于等效负荷进行时段划分,以负荷方差最小,等效负荷的峰谷差最小,用户满意度指数最大为目标,建立多目标非线性分布式光伏分时定价模型,并提出基于邻域搜索的多目标遗传算法求解。数值实验结果表明,供电稳定性提高了37.77%,分布式光伏发电的利用率提高了4.51%,用户满意度为74.3%;且提出的求解算法要优于常用的非支配排序遗传算法-II,表明本文提出的定价策略是有效的。     

Machine Learning-Based Two-Stage Data Selection Scheme for Long-Term Influenza Forecasting

One popular strategy to reduce the enormous number of illnesses and deaths from a seasonal influenza pandemic is to obtain the influenza vaccine on time. Usually, vaccine production preparation must be done at least six months in advance, and accurate long-term influenza forecasting is essential for this. Although diverse machine learning models have been proposed for influenza forecasting, they focus on short-term forecasting, and their performance is too dependent on input variables. For a country’s long-term influenza forecasting, typical surveillance data are known to be more effective than diverse external data on the Internet. We propose a two-stage data selection scheme for worldwide surveillance data to construct a long-term forecasting model for influenza in the target country. In the first stage, using a simple forecasting model based on the country’s surveillance data, we measured the change in performance by adding surveillance data from other countries, shifted by up to 52 weeks. In the second stage, for each set of surveillance data sorted by accuracy, we incrementally added data as input if the data have a positive effect on the performance of the forecasting model in the first stage. Using the selected surveillance data, we trained a new long-term forecasting model for influenza and perform influenza forecasting for the target country. We conducted extensive experiments using six machine learning models for the three target countries to verify the effectiveness of the proposed method. We report some of the results.     

基于PLC的颗粒包装机称量系统设计

目的 为提高颗粒包装机称量精度和稳定性,基于PLC设计一种颗粒包装机称量系统.方法 分析颗粒包装机结构和工艺流程,并给出控制系统结构,包括核心处理器PLC、交流控制器、伺服电机驱动器、传感器、三相电机和伺服电机等.以称量控制为主要研究对象,提出一种粒子群模糊PID称量控制器,以提高称量控制系统的收敛速度、通用性和可移植性.最后进行仿真和实验研究.结果 相关结果表明,与模糊PID控制器相比,加入粒子群优化算法后,系统的响应速度更快,达到稳定状态所需时间更短,实际包装误差仅为0.528％.结论 所述称量控制系统可以有效地提升称量精度,有利于提高颗粒包装机的自动化水平.     

垃圾焚烧发电系统优化及综合利用技术

垃圾焚烧发电项目已逐渐成为由地方政府主导的PPP项目,随着国家能源战略的深入,依靠科技创新,加快节能减排技术研发和产业化推广已成为迫在眉睫的任务。在项目建设标准和融资要求高,垃圾处理费低和投资回收期长等多重压力下,通过对垃圾焚烧发电系统进行逐步、分项的设计优化,利用最新技术使资源得到高效深度利用,可以有效降低工程建设成本,提高项目运营经济性,实现垃圾减量化、无害化和资源化,对垃圾发电长远健康发展具有参考价值。