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和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。首先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,再基于神经网络将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;然后以预测日天气预报信息作为神经网络的输入来获得预测日的功率预测值;最后基于数学量化的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的精度,进而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CAPSO-RNN的光伏系统短期发电量预测

针对光伏系统的发电特性及影响光伏发电的因素,建立基于混沌自适应粒子群优化算法的反馈型神经网络短期发电量预测模型。该预测模型利用混沌自适应粒子群优化算法的全局优化能力初始化反馈性神经网络权值和阈值,可以克服反馈型神经网络收敛速度慢俄且易陷于局部最优等缺点。同时为提高预测精度,采用隶属度函数对温度进行模糊化处理。预测结果表明,建立的预测模型具有较高的精度。     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

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...     

基于相似时段的分时段光伏出力短期预测

针对历史气象数据较少、天气波动较大时光伏出力预测精确度较低的问题,提出一种适用于小样本和多种天气下的分时段光伏出力综合预测法。该方法结合了分时段神经网络模型和相似时段筛选法,将分时段神经网络模型作为相似时段筛选法在相似度不够时的补充:分时段神经网络模型利用光伏出力历史数据对预测模型进行训练,采用近相似时段神经网络进行预测,摆脱了历史气象数据的制约。多种气象条件下对光伏出力的训练与预测验证了所提方法的有效性。     

Short-term wind power forecasting using ridgelet neural network

Rapid growth of wind power generation in many countries around the world in recent years has highlighted the importance of wind power prediction. However, wind power is a complex signal for modeling and forecasting. Despite the performed research works in the area, more efficient wind power forecast methods are still demanded. In this paper, a new prediction strategy is proposed for this purpose. The forecast engine of the proposed strategy is a ridgelet neural network (RNN) owning ridge functions as the activation functions of its hidden nodes. Moreover, a new differential evolution algorithm with novel crossover operator and selection mechanism is presented to train the RNN. The efficiency of the proposed prediction strategy is shown for forecasting of both wind power output of wind farms and aggregated wind generation of power systems.     

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。首先,文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余;然后,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。     

基于GM-GRNN的电力系统长期负荷预测

由于长期负荷历史数据比较少,因此预测难度较大。在分析了灰色预测和神经网络预测的优缺点的基础上,提出了一种新型的预测方法——GM-GRNN预测方法,此方法就是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,新方法发挥了灰色预测方法中的“累加生成”的优点,能够削弱原始数据中随机性并增加规律性,同时避免了灰色预测方法及其预测模型存在的理论误差。最后采用我国某省年用电量的预测的算例表明该方法的预测精度优于单一的灰色预测和单一的神经网络预测方法,为电力系统长期负荷预测提供了一种有用的方法。     

Estimation method of photovoltaic power output using extended Lambert-Beer law

In recent years, there have been growing needs for accurate estimation of photovoltaic (PV) power due to the widespread use of PV power generation. PV power is usually estimated based on the amount of solar radiation, air temperature, and wind velocity. However, when the PV panel is covered with snow, the solar radiation is blocked by the snow and expected PV output cannot be obtained. In this paper, for accurate PV power estimation, we propose an Extended Lambert-Beer law, and investigate a method to estimate the degree of attenuation of PV power by snow cover. And, accuracy verification of the proposed method is carried out with actual PV power records from when snow accumulated in the Tokyo Electric Power Company (TEPCO) service area in 2018.     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。