基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,该文首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于GA-BP算法的光伏系统发电功率预测

随着光伏产业的迅速发展,光伏发电已成为可再生能源的生力军.然而,光伏系统的发电功率受不同天气状况的影响,具有不确定性和周期性等特点.为准确预测光伏发电功率保证电网的稳定性,本文采用GA-BP(Genetic Algorithm-Back Propagation)算法对光伏系统发电功率进行预测分析,结果表明,本文提出的模型和方法可以较为准确的预测光伏系统的输出功率,具有一定的实用价值.     

基于气象因素充分挖掘的BiLSTM光伏发电短期功率预测

传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.     

基于时空相关性的光伏发电功率爬坡预测方法

传统的光伏发电功率预测方法爬坡预测可靠性较低,准确性不高.于是提出一种时空相关性的光伏发电功率爬坡预测方法.在典型日理想光伏发电出力归一化曲线提取基础上,采用线性插值方法生成光伏发电理想出力归一化曲线.通过蒙特卡洛法生成光伏发电随机分量,结合光伏发电与随机分量生成光伏发电序列;通过偏移爬坡率及变量状态划分方法构建信度网络节点变量和各节点变量的状态集;利用贪婪搜索算法从已有变量的状态集中获取最优信度网络结构后,进行光伏发电序列学习,完成光伏发电功率爬坡事件预测.实验结果表明,上述方法可有效完成光伏发电序列生成,并且爬坡预测可靠性较高,可实现多种气象条件下的光伏发电功率爬坡预测.     

CS算法优化VMD-BiLSTM-AM的光伏功率预测

针对光伏发电功率的波动性与随机性对调度部门的负荷预测以及电网安全运行带来的严峻挑战, 提出了一种基于变分模态分解(VMD)和布谷鸟搜索(CS)算法优化的双向长短期记忆网络(BiLSTM)光伏发电功率预测方法. 首先使用VMD将光伏功率序列分解成不同频率的子模态, 通过皮尔逊相关性分析确定影响各模态的关键气象因子. 其次分别构建注意力机制(AM)和BiLSTM混合的光伏发电功率预测模型, 利用CS算法获取网络最优的权重和阈值. 最后, 将不同模态的预测结果相叠加, 得到最终的预测结果. 通过对亚利桑那州地区光伏电站输出功率进行预测, 验证了所提模型的有效性.     

基于初始化非负矩阵分解的光伏发电预测

光伏发电作为一种可再生能源发电技术,使用规模日益扩大,光伏发电的精准预测已成为数据挖掘的重要研究领域,但是光伏发电本身的随机性和不确定性使得现有的预测功率难以达到理想的高度,对电网运行的稳定性造成了不利的影响.为了探索预测日的发电功率、历史日的发电功率以及气象数据等相关因素之间的关系,解决光伏发电难以准确预测的问题,提...     

一种光伏电池组件的温度预测方法

组件温度是影响太阳能电池组件转换效率的一个重要因素,对组件温度的准确预测,有助于提高光伏发电功率预测的精度。文中提出了一种光伏电池组件温度预测方法。该方法考虑了影响光伏电池组件温度的主要因素,通过选择适当的样本建立统计模型。算例结果表明,该预测模型能够较好地对光伏电池组件温度进行预测,具有潜在的应用价值。     

基于机器学习的光伏输出功率预测方法研究

光伏发电机组容量在电力系统中的比重日益增大,预测光伏出力对电力系统调度具有极其重要的意义。因为影响光伏发电系统的许多因素随机性较高,使得预测工作难度加大。传统的预测方法对数据的依赖性较强,数据的完整性对预测过程影响很大,因此需要更严谨、便捷的方法使光伏功率的预测工作更加准确、实用。通过对光电站历史数据的探索性分析,对比多种回归预测模型,对影响功率的因素建立神经网络与非线性拟合的组合预测模型。仿真结果表明,组合分步法可以显著降低预测误差,对电网规划、提升新能源发电竞争力、优化调频具有一定的意义。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

基于极限学习机的太阳能光伏电力系统负荷预测研究

太阳能光伏发电受多种因素影响,包括太阳辐照度和电池板温度等,当室外环境发生变化时光伏阵列无法持续性工作,导致光伏发电的能量转换效率降低,其向电网注入的负荷和电能随之减少。只有准确地对周边环境变化进行分析,才能合理利用太阳能资源,充分调动太阳能光伏发电的输出负荷,为此,研究基于极限学习机的太阳能光伏电力系统的负荷预测方法。光伏电力系统受太阳辐射影响,为对其系统负荷进行预测,通过贝塔函数建立负荷峰值模型,获取光伏电池组的辐射强度,确定太阳辐射的分布概率密度。采用概率密度构建负荷预测函数集,在寻找最优函数的基础上,定义预测函数的依赖关系。基于极限学习机关联预测函数期望值,通过最小二乘解确定预测权值,实现太阳能光伏电力系统负荷预测,完成方法设计。实验结果表明：新方法能够对并行光伏电力系统的出力值进行有效预测,平均相对误差可以控制在1%以下,具有应用价值。     

基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测

为提高光伏发电功率预测精度，提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集，通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷，提出一种改进的自适应混沌变异粒子群算法(IPSO)来优化Elman神经网络，将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型，对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析，结果表明，IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。     

基于迁移学习的光伏发电功率超短期预测方法

在超短期的环境下,发电功率预测层级单一,导致误差增加,为此,提出基于迁移学习的光伏发电功率超短期预测方法。结合设定的发电预测范围,预处理自动化基础预测数据,各个区域布设节点,关联自动化预测源域,以此为基础,设计分布式自适应自动化预测序列,采用多维度、多层级的预测形式,扩大实际的预测范围,设定复合预测目标,构建光伏发电功率迁移学习自动预测模型,在其中增设特征自动化预测矩阵,并采用多层深度学习感知处理实现预测。最终的测试结果表明：设计方法的预测误差仅为1.03,具有实际的应用价值。     

基于分时LSTM的光伏发电功率预测

[目的]准确的预测光伏发电功率对电网调度具有十分重要的意义.[方法]光伏发电是一个连续不断的过程,光伏发电功率每时刻的变化取决于当前时刻和历史时刻的气象特征.本文考虑光伏发电的时间相关性,提出了基于分时长短期记忆神经网络(Long Short-Term Memory,LSTM)的光伏发电功率预测模型,利用Pearson...     

基于时序数据处理的分布式光伏功率预测系统

[目的]使用高质量的历史数据预测未来光伏发电功率,对高效利用太阳能可再生能源、补充电网供电能力和推进节能减碳具有重要意义.[方法]由于光伏时序数据质量参差不齐,本文提出了面向光伏时序数据的缺失值与异常值处理算法,并基于此搭建了分布式光伏功率预测系统.[结果]该系统可以有效处理多种光伏时序数据,并集成了不同时间尺度及不同...     

运动参数对光伏电池输出特性影响研究

光伏发电技术是一种零碳排放发电技术,该技术的推广和应用有助于碳达峰和碳中和目标的实现。论文针对载体运动参数对光伏电池输出特性影响进行研究,利用光伏电池单体五参数模型及电池板参数与光照强度及温度之间耦合关系建立了运动状态下光伏电池模型,采用随机森林权重算法获得了运动参数对光伏输出最大功率的影响的权重,最后采用SIMPACK和Matlab/Simulink软件构建仿真模型验证方法的正确性。结果表明,载体垂向加速度与最大功率点功率之间权重占比最大,达到71.2%,在各运动参数中占主导,当剔除载体垂向加速度时,最大功率点功率最大波动率为21.288%。     

基于聚类算法和转换网络的光伏短期功率预测

精准的光伏功率预测对优化光伏电站的运行和管理以及提高光伏发电的效率具有重要的作用。本文提出了一种基于聚类算法和转换网络的光伏短期功率预测方法。该方法首先基于自编码器的无监督聚类算法对光伏短期功率数据进行了预处理,以降低光伏出力数据本身的不稳定性对功率预测的影响。之后,该方法使用具有自注意力机制和多头注意力机制的转换网络进行光伏短期功率的预测。转换网络由编码器和解码器组成。转换网络相比传统的循环神经网络(RNN)更善于挖掘时序之间的关系。注意力机制使得转换网络具有并行计算的能力,可以加快网络训练的速度。最后,在澳大利亚光伏功率与气象数据中心 (DKASC)的光伏数据集上验证了本文提出的光伏短期功率预测方法。实验结果表明,本文提出的方法具有令人满意的预测精度。     

考虑谐波约束的光伏发电机组功率波动控制

谐波权重对光伏发电机组功率影响很大，在对发电机组功率波动进行分析时，忽略谐波畸变率对波动控制的影响，会导致控制误差大、响应速度慢、功率波动控制效果不佳的问题，该文提出在考虑谐波约束下的光伏发电机组功率波动控制方法。通过分析光伏发电系统的内部结构，计算各部分系统在d、q轴上的动态方程，从而建立光伏发电机组系统模型。基于模型和非谐波源节点上的谐波畸变率确定谐波权重，并结合电机特性，通过比例积分控制方法实现光伏发电机组功率波动控制。对所提方法进行了功率响应实验，结果表明，所提方法对功率响应速度较快，功率波动控制效果更好，说明其能够更有效地实现光伏发电机组的功率控制与调节。