一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

基于BP-ANN和出力波动特性的光伏系统短期功率预测模型

目前,光伏系统出力预测在精度方面还远不能满足电力系统调度的要求,已成为阻碍光伏发展的主要瓶颈问题之一。考虑到光伏系统的高度非线性特性,难以用传统的数学模型表征其输出功率与外界条件之间的映射关系。首先以传统反传播神经网络作为建模基础,建立光伏系统出力初步预测模型,再基于由光伏系统历史出力数据统计分析得到的波动量统计规律对初步预测结果进行修正,建立了具有较高精度的光伏系统出力预测模型。进一步进行算例仿真验证,结果表明所建立的光伏系统出力预测模型能够较好地反应现场实际情况。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于RF-ANFIS-PSO组合超短期光伏功率预测模型

光伏发电受到光照强度、环境温度和湿度等多方因素影响与制约,具有波动性、间歇性、不确定性以及能量密度低等特征,并网后会对电网造成一定程度的冲击。因此,准确预测光伏输出功率对于维护电网安全稳定运行、电网调度合理化和降低电网运行经济成本均具有重要意义。文中采用随机森林、自适应神经模糊推理算法以及粒子群优化算法进行数据训练和模型优化,搭建了一种超短期光伏发电功率预测的组合模型。通过内蒙古地区某光伏发电站的实际输出功率与RF-ANFIS-PSO模型预测结果比对,验证了其准确性和有效性。     

基于BP神经网络的光伏短期功率预测模型

大规模光伏发电系统的应用,有助于缓解传统能源枯竭而引起的能源危机,但其具有很强的随机性和不确定性,为了减轻其对电网的影响,大规模接入光伏,有必要对光伏发电功率进行预测,以便采取相应的应对措施。目前,光伏发电功率预测的方法大致分为两种,即直接预测和间接预测。间接预测,需要先预测光伏发电的影响因子,特别是辐照度,但是,现阶段国内对辐照度的预测暂时不具备工程可行性,这使得国内对间接预测的研究较少,主要集中在直接预测方面。直接预测,即直接建立模型来预测光伏发电,不需要也不用预测光伏发电影响因子,而是通过对历史发电数据和气象信息进行统计分析。     

地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型

光伏功率由于受到诸多局地随机突变因素的影响,其超短期预测面临很大挑战。云是引起地表辐射随机变化,进而引起光伏出力随机变化的最主要因素之一,在光伏功率预测建模中亟需将云这一因子进行量化和建模。首先,基于全天空云图,利用数字图像处理技术提取与辐射相关的图像特征;然后,将大气层外辐射、大气质量、图像亮度和云量作为输入因子,将地表辐射作为输出,建立径向基函数神经网络预测模型;最后,根据光电转换模型最终实现光伏功率超短期预测。实验结果表明:计及地基云图信息的光伏功率超短期预测模型,效果明显优于无图像信息的模型,为光伏电站超短期功率精确预测提供了重要的方法。     

基于EEMD和BP神经网络的短期光伏功率预测模型

为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集...     

基于储能电池的光伏功率波动平抑策略

为了平抑光伏发电功率波动,并优化光伏出力特性,在运用小波包分解光伏波动频率特性的基础上,提出了基于2组电池组拓扑结构的电池储能系统(battery energy storage system,BESS)在线运行策略和双BESS的最优容量确定方法。模型中2组BESS工作状态分别为充电和放电状态,当某一电池组电能状态达到满充或满放时,则2组电池同时切换当前的工作状态。基于光伏发电厂实测数据,对所提方案进行了验证,结果表明,所提方案不仅在光伏出力特性上取得了较好的平抑效果,而且在电池特性上,由于采用双BESS,很大程度上降低了BESS充放电次数,提高了储能系统利用效率。     

基于ICEEMDAN-MBWO-WKELM短期光伏功率预测

针对光伏发电功率随机性强、波动性大且预测精度较低等问题,提出了一种基于改进自适应白噪声完备集成经验模态分解(ICEEMDAN)和多策略改进白鲸优化算法(MBWO)优化加权核极限学习机(WKELM)预测模型.首先,根据Pearson分析确定对光伏发电功率相关性较高的气象因素,并利用Kmeans++对历史数据进行聚类得到不同天气类型的相似日集.其次,利用ICEEMDAN将原始光伏功率分解为不同频率的子序列以降低其波动性.然后,对各子序列构建WKELM预测模型,并利用MBWO优化模型的核参数和正则化系数.最后,将各子序列的预测值相加得到最终的预测结果.以国内江苏某光伏电站真实数据为例对该模型及其他模型进行算例分析,结果表明此处所提组合预测模型具有较高的预测精度.     

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。     

光伏功率预测技术与方法

介绍光伏功率预测模型输入数据的相关性及数据预处理方法,研究不同短期光伏功率预测技术的基本原理和预测模型。     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

基于改进BP神经网络的光伏发电系统输出功率短期预测模型

随着光伏发电系统的大规模应用,其输出功率预测技术可以有效地缓解该类随机能源对电力系统的不利影响。提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行直接预测。通过对影响输出功率各项因素的分析,得出了预测模型输入变量选择的理论依据;为了提高模型在各种天气条件下的预测精度,提出了相似日选择算法和训练样本确定方法;针对传统BP学习算法易陷入局部极小点、收敛速度慢等缺陷,利用增加动量项和可变学习率相结合的方法对其进行了改进。最后通过预测结果分析,验证了所提模型和算法的有效性。     

基于地基云图的光伏功率超短期预测模型

以地基云图采集设备提供的实时日间彩色天空状况图像为研究对象,通过数字图像处理技术对时间序列图像进行了处理和分析,运用云团提取算法和跟踪学习算法实现对云团未来运动状况的预估,结合一天中太阳在云图像上的位置计算,预测未来时刻太阳的遮挡情况,进而预测辐照度和光伏功率的变化。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了方法。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于相似日算法及集成学习的短期光伏预测模型

随着分布式发电系统的日益增多,光伏发电预测逐渐成为影响电力系统运行及调度的关键.本文提出一种基于改进相似日算法和集成学习的短期光伏发电混合预测模型.应用改进的相似日算法在历史数据中找到相似日,将相似日数据和气候因素等作为Bagging集成学习的输入变量,对其进行建模训练.通过公开的光伏数据集进行验证,并与传统的神经网络...     

光伏发电系统功率预测研究方法综述

随着光伏发电大量并入电网中,为了合理制订发电计划,保证电力系统稳定运行,需要对光伏发电输出功率进行预测。主要就光伏发电系统功率预测研究方法进行了综合阐述,介绍了影响光伏发电系统功率输出的主要因素,概括了光伏发电系统功率预测中常用的人工神经网络算法、支持向量机算法等统计方法,最后给出功率预测结果评估的指标。