基于模糊聚类和支持向量机的短期光伏功率预测

本文提出了一种基于模糊聚类和支持向量机的光伏短期功率预测方法。通过气象信息建立模糊相似矩阵将光伏发电功率历史样本划分为若干类,然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立支持向量机光伏发电功率预测模型,并利用余一法对构建的支持向量机模型进行核参数和惩罚参数的优化。根据实际数据对所提模型进行验证,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。     

基于模糊支持向量机的光伏发电量预测

受到光照强度、温度、湿度和风速等气象因素的影响,光伏发电系统出力具有波动性、间接性和不可控性等特点,光伏发电量预测精度较低。对此,本文采用模糊理论结合支持向量机的方法预测光伏发电量。首先通过模糊C均值聚类算法计算模糊隶属度,然后对原始样本进行聚类,生成模糊样本,再采用支持向量机对模糊样本进行训练,最后利用预测模型预测未来几天的光伏发电量。MATLAB仿真实验预测显示:相对于经典的BP神经网络模型和支持向量机模型,模糊支持向量机预测模型更稳定且预测结果误差更小;该模型克服了传统光伏预测方法中存在的极易陷入极小值以及不确定气象因素影响等缺陷,提高了系统预测精度。     

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。     

基于灰色关联与量子粒子群寻优的光伏短期预测

光伏发电系统的功率受天气因素影响很大,结合温度、湿度及辐照强度3个气象因素,对短期光伏功率进行预测。首先阐明3种气象因素与光伏出力的相关关系,进而提出相似日理论,利用灰色关联度分析提取出与预测日气候条件相似的历史日。再将筛选出的历史日数据作为训练数据,利用支持向量机模型对预测日光伏出力进行预测。针对支持向量机中的惩罚系数、不敏感损失系数及核函数核宽度系数的选择,提出改进的量子粒子群算法进行寻优。最后,依据青海某光伏发电站的气候数据及光伏出力数据进行计算,并与带收缩因子的粒子群算法与带惯性权重的粒子群算法进行比较,从误差范围及计算时间等角度,证明了所提方法具有更高的准确性。     

光伏发电功率的智能预测算法

光伏发电系统的出力具有强烈的波动性,为了减轻其对电网的冲击,有必要进行光伏出力预测。提出了一种基于灰色关联度分析（gray relational analysis, GRA）和最小二乘支持向量机（ least square support vector machine , LSSVM）方法对光伏出力进行预测,该方法是传统直接预测和间接预测方法的结合,分析了辐照度、天气类型等对光伏输出功率的影响。通过GRA选择训练样本,使样本更全面地反映预测日的天气属性;然后运用LSSVM提前24 h预测输出功率,利用天津市太阳能光电建筑示范项目的实测数据对该预测模型进行了测试与评估,算例结果表明,所提出的GRA-LSSVM的预测方法具有较高的预测精度。     

基于相似日理论和BP神经网络的光伏发电功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时长和气温等多种气象因素的影响,具有随机性和波动性。对各种气象影响因素进行合理的选取和处理,寻求光伏发电系统输出功率与各种相关因素之间的内在联系,对光伏发电系统未来的输出功率进行科学的预测。由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,提出选择光伏阵列输出功率相似日的方法,设计基于相似日原理的BP神经网络光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行验证。结果表明,模型有较好的预测准确度,具有一定的实用性及可行性。     

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。     

基于支持向量机回归的光伏发电出力预测

建立总峰瓦值为30MW的光伏电站数学模型,并且基于保定地区气象资料以及美国国家航空和宇航局(NASA)提供的保定地区太阳辐射数据,模拟得到该光伏发电系统出力数据.分析光伏系统出力特性以及影响光伏出力因素.根据影响光伏出力的诸多因子的复杂性和非线性,决定预报因子与预报对象间的非线性关系,建立光伏系统出力的支持向量机(SVM)回归模型,并进行相应的预测.预测结果表明,支持向量机回归(SVR)方法为解决光伏系统出力的预测提供了一种可行路径.     

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。     

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果,难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型,并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合,即可得到概率性的负荷预测结果。基于该结果,还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性,为概率性短期负荷预测提供了一条可行的新思路。     

风电功率概率预测方法及展望

风电功率的概率预测能提供风电功率的预测区间或分布函数,国内相关的研究和应用尚处于起步阶段。文中对风电功率概率预测的基本框架、主要模式、难点和热点进行了综述。首先,明确了概率预测的概念及其适用问题。然后,对概率预测的建模方法提出了两种不同的分类方式:按照是否进行条件化假设或参数化假设进行分类,并介绍了概率预测中涉及的新型算法和概率预测的评价指标。最后,结合概率预测发展现状,针对误差分析不精细、概率预测与电力系统结合不充分等不足,总结了今后的发展方向和需要进一步探索的研究内容。     

电力系统超短期负荷预测技术的应用与发展

从电力系统超短期负荷预测的定义及作用出发,概述超短期负荷预测的特点及方法。按照传统预测方法、现代预测方法及综合预测方法分类,对各种超短期负荷预测方法的原理、应用范围、改进及发展方向进行了综述。指出各类超短期负荷预测方法都有特定的适用场合,在实际应用时要充分考虑预测系统的实际运行特点,才能最大限度地发挥各类方法的优势。     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。     

Insolation forecasting by a multi-stage neural network

A single-stage neural network has been proposed to forecast next day insolation. In this paper, a multi-stage neural network is developed to reduce forecasting error further. A first-stage neural network forecasts average atmospheric pressure for the next day from atmospheric pressure data of the previous day. A second-stage neural network forecasts insolation level for the next day from the average atmospheric pressure and weather data of the previous day. A third-stage neural network forecasts next day insolation from the insolation level and weather data of the previous day. Meteorological data of Omaezaki, Shizuoka at April 1994 were chosen as input data. The insolation values forecasted by the multi-stage and the single-stage neural networks are compared with the measurement values. The results show that the forecasting error is reduced to 24% (by the multi-stage) from 33% (by the single-stage). © 1998 Scripta Technica, Electr Eng Jpn, 125(4): 26–33, 1998     

电力系统负荷预测技术

负荷预测是电力系统规划、供电、调度等部门的重要的基础工作,讨论了负荷预测的特点、分类及各种成熟的负荷预测技术,研究了现代负荷预测技术的发展动态,并指出未来主要的研究方向。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

电网节点负荷的立体化预测方法

把握统一大电网中任意节点负荷规律,并由此实现任意节点负荷预测对于未来电网智能化的调度与控制具有重要意义。对此,针对节点负荷自身单独、孤立预测所显现的弱点,提出节点负荷的立体化预测体系与方法,在相关性分析的基础上,试图实现电网任意节点负荷的有效预测。该体系包括:电网能量流按层、区的拓扑结构划分,每层的总量与相应节点构成的基本预测单元,以及对任一节点的组合预测。其预测方法分别基于最小二乘支持向量机、卡尔曼滤波以及加权递推最小二乘等技术。实际算例分析表明,节点负荷的立体化预测有利于预测精度的提高,具有实用前景。