基于CRITIC加权和IMFO-LSSVM的光伏发电功率短期预测

光伏发电系统处于不同天气状况中时,发电功率存在随机性和间歇性过强的问题.为此,提出了一种基于CRITIC加权灰色关联度提取相似日与最小二乘支持向量机优化的光伏功率预测方法.首先将天气分为晴、多云和雨三类,然后根据各气象因素对光伏发电功率的影响程度不同,在同类天气状况下利用CRITIC加权灰色关联度提取相似日作为训练样本...     

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。     

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值（K-means++）算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明：该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。     

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...     

基于相似日和最小二乘支持向量机的光伏发电短期预测

光伏发电预测对于减小并网光伏发电系统对电力系统的影响具有重要意义。针对光伏系统的发电特性,根据影响光伏发电出力的因素,提出选取相似日的方法,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,与天气数据一同作为预测模型的训练样本。利用最小二乘支持向量机(LS-SVM)进行光伏发电预测,并通过某微电网示范工程的光伏系统数据验证,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,对光伏发电预测具有一定的参考价值。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

基于改进CSO算法的光伏系统发电功率短期预测

为了提高光伏发电系统短期输出功率的预测精度,建立了基于改进鸡群算法优化支持向量机(ICSO-SVM)的预测模型,在鸡群算法中引入动态惯性权重和自适应因子加强算法的寻优能力.通过计算得到对光伏发电影响较大的因素为太阳辐射强度、大气温度和相对湿度;计算出待预测日期和历史日期之间的关联度,确定预测所需要的训练样本并对模型进行...     

最小二乘支持向量机在光伏功率预测中的应用

为了减少光伏发电的随机化问题对电力系统的影响,建立了基于最小二乘支持向量机的光伏功率预测模型,提前1h进行功率预测,根据储能补偿光伏输出期望值与实际输出的差额,优化储能安装容量。介绍了一种反映云层变化信息的地表太阳辐射量预测模型。采用光伏阵列的发电量、地表太阳能辐射量和气温序列分别按统一建模和时间序列建模2种方案建立了最小二乘支持向量机模型,并对训练好的模型在不同日类型下进行了测试和评估,验证了该模型和算法的有效性。结果表明,该模型不仅能够解决光伏发电的随机化问题,而且能有效减少储能安装容量。     

基于MA-SVM方法的短期光伏功率预测

光伏发电的功率波动性大,其准确预测对于大规模的光伏发电并网具有重要意义。利用相关性分析法与时间序列方法选取并预测了某电站所在区域的气象数据,得到光伏发电现场更为准确的气象信息预测值。利用主成分分析方法对气象数据降维,得到几种关键影响因子,最终利用改进的支持向量机(SVM)算法对多变量特征序列与光伏功率的关系建模。在验证试验中,使用训练后的支持向量机模型完成预测,并且对预测误差的产生进行了分析。通过与神经网络算法等各种算法的预测效果进行对比,MA-SVM方法的误差相对较小,证明了预测的有效性。     

天气类型聚类的支持向量机在光伏系统输出功率预测中的应用

光伏发电具有较强的波动性和随机性的特点,大容量光伏发电接入,会对电力系统的安全稳定运行带来严峻挑战.本文分析了温度、湿度等气象因素对光伏发电系统输出功率的影响,结合光伏系统的历史发电数据与气象信息,提出一种基于天气类型聚类的支持向量机预测模型.通过计算合适的权值,确定各气象因素的加权欧氏距离,选择输入样本,使样本能更好地反映预测日的天气属性;在此基础上运用支持向量机进行短期输出功率预测,并利用某地实测数据对训练好的模型进行了测试与评估.结果证明,该方法建立的模型具有较高的精度.     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

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。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

基于最小二乘支持向量机的光伏出力超短期预测

随着大规模光伏电站接入配网,为了减轻光伏出力的随机性对电网安全稳定运行的影响,有必要加强光伏出力预测研究。提出了一种基于最小二乘支持向量机(LSSVM)的光伏出力超短期预测模型,模型的输入考虑了待预测时段的最新气象信息,提前1h对每刻钟的光伏出力进行预测。为了能更精确地反映待预测日的天气情况,对影响光伏出力的每一气象因素,分别赋予一适当权值,通过计算加权欧氏距离确定各时段的训练样本。最后,利用含有突变情况的天气对训练好的模型进行了测试和评估。结果表明,所提模型预测精度较高,能够为电网调度部门制定合理调度计划提供一定的参考依据。     

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划，降低新能源发电对电网的冲击，提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先，根据光伏出力主要受天气影响的特点，通过皮尔逊系数获得相关性强的气象因素，利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集；然后，将极限学习机（extreme learning machine，ELM）引入Boosting框架，构建光伏出力日前预测模型（B-ELMs）；最后，利用真实光伏电站运行数据验证模型有效性，该模型在试验过程中展现出良好的适应性，最高决策系数（R²）达0.9819。实验结果表明，由于集成学习框架的存在，B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果；同时，相较于深度学习网络，B-ELMs的收敛速度更快，在维持较快训练速度的同时保障更为精确的预测结果。