基于地基云图分析的光伏功率预测系统设计

光伏发电具有波动性和间歇性,直接导致输出功率的波动,从而给光伏电站输出功率预测带来巨大困难。传统的基于物理和统计模型,结合数值天气预报的光伏功率预测技术在遇到因云遮挡而导致光伏功率骤然下降的情况下,预测结果具有滞后性。文章在研究基于地基云图观测图像数据在线采集分析方法的基础上,通过云团识别、云遮挡预测、畸变校正与投影变换以及与光电转换模型、云强迫分析模型集成等关键技术环节,提出基于云图图像分析光伏电站输出功率预测系统的设计方法,理论分析和数据分析证明该方法对1h内或2~4h的光伏短期功率预测可以获得理想的精度,并具有广泛的适用性。     

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。     

考虑云层遮挡的光伏发电功率超短期预测技术

云层对光伏电站的遮挡会导致光伏发电功率的随机波动，进而给电网稳定运行带来挑战，特别是在新能源渗透率不断提升的战略背景下，电网安全性和稳定性所面临的挑战更为严峻。为解决云遮挡下光伏功率快速波动预测精度低的难题，基于卫星云图提出一种考虑云遮挡的光伏功率超短期预测法。首先，根据场站位置信息提取目标区域具有潜在影响的云团，并通过云轨迹跟踪算法确定其移动矢量，实现超短期尺度下移动轨迹预测；然后，结合太阳–云–光伏电站的位置关系建立云遮挡评估模型，准确判断目标时刻下不同层高云团对光伏电站的遮挡情况，进而完成量化评估；最后，通过光电转换模型实现光伏发电功率超短期预测。结果显示，所提模型能准确预估未来云移动轨迹及云遮挡下的功率衰减系数，展示出较好的预测性能，具有一定的推广价值。     

模型与数据混合驱动的分布式光伏超短期功率预测

针对光伏短期预测不能考虑云团因素以及云团移动机理建模复杂的问题,对模型与数据混合驱动的分布式光伏超短期高精度功率预测方法进行研究。首先,采用深度神经网络模型,实现辐照度和温度与光伏功率的高精度拟合;其次,基于区域多个分布式光伏电站的实际监测数据,建立数据驱动的云团遮挡判别模型;最后,结合云团遮挡情况及其移动态势对邻近电站的影响分析,实现分布式光伏超短期功率的精准预测。依托国内某区域多个分布式光伏电站历史数据进行算例分析,仿真结果验证了所提分布式光伏超短期功率预测方法的有效性和实用性。     

基于面积校正的光伏电站地基云图云团移动预测方法

利用地基云图进行太阳辐照度估计,是对光伏电站输出功率进行准确预测的一种有效方法。针对地基云图图像的特点,提出一种基于粒子图像速度(Particle Image Velocity,PIV)约束和面积校正的云团移动预测方法,即基于云团计算位移矢量和云团面积伸缩因数,对识别出的云团运动趋势提供一种更加准确的预测方法,为光伏电站发电功率超短期准确预测提供了前提条件。基于地基云图图像的试验结果表明,这一方法在预测精度方面高于传统的PIV等云团移动预测方法。     

基于卫星云图和晴空模型的分布式光伏电站太阳辐照度超短期预测

随着分布式光伏发电装机占比的不断提高,对分布式光伏发电功率预测提出了新的要求。但由于运行成本的约束,分布式光伏电站难以直接建立功率预测模型,为此提出了一种基于卫星云图和改进晴空模型的太阳辐照度超短期预测模型。首先,基于最小二乘法对美国采暖、制冷和空调工程师协会(American Society of Heating,Refrigerating and Air-conditioning Engineers, ASHRAE)模型进行改进,并由改进ASHRAE模型计算待测场站的理论晴空辐照度;然后,基于灰度共生矩阵和差分自回归滑动平均(autoregressive integrated moving average,ARIMA)模型获取待测场站未来1～4h的云团遮蔽特征;最后,利用该云团遮蔽特征和数值天气预报(numerical weather prediction,NWP)信息建立基于长短期记忆网络(long short-term memory,LSTM)的修正算法对理论晴空辐照度进行修正,得到未来1～4h的太阳辐照度预测结果。研究结果表明：通过该模型预测得到的太阳辐照度的月均方根误差为7...     

基于空间相关性的分布式光伏超短期预测技术研究

因历史出力数据的缺失及精确数值天气预报的无法获取,很大比例的分布武光伏电站不能利用现有成熟技术对其出力进行超短期预测。提出了一种基于空间相关性的分布式光伏超短期功率预测技术。基于分层聚类算法对光伏电站间空间相关关系进行判断及匹配,从而得到目标光伏电站到参考光伏电站的空间映射关系。基于BP~人工神经网络算法对参考光伏电站的超短期功率进行预测,并将预测结果作为空间映射关系的输入,计算出目标光伏电站的超短期功率预测。仿真算例结果表明:基于空间相关性的预测方法利用最近48 h内的历史出力,达到了精度较高的超短期预测效果。     

基于云图特征的超短期光伏发电功率预测模型

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

基于过采样和随机森林的高压隔离开关发热故障诊断

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

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。     

基于云计算的用户侧短期用电负荷预测技术

随着智能电网的发展,电网与用户之间的交互行为将显著增长。通过与用户的广泛交互,原来不能获取的信息,现在变得触手可得,这必将为智能电网发展提供更多的机遇。探讨了在智能电网环境下,通过云计算技术帮助海量用户预测短期电力负荷,从而通过利用群体智慧提高电网公司短期用电负荷预测的准确性。该方法有效利用了Map/Reduce技术,具有较高的效率和可扩展性。     

考虑云量和气溶胶不确定性的太阳辐射值预测

太阳辐射是对光伏出力影响最大的因素,目前的预测方法不能充分考虑各个影响因素的不确定性。为了更加有效地预测光伏出力,本文提出了基于不确定理论和无云天气REST模型的太阳辐射值预测模型。该模型利用不确定理论分析了云遮系数和气溶胶光学厚度(Aerosol Optical Depth,AOD)所具有的随机性和模糊性,用随机模糊模拟算法对两个参数进行随机模糊化处理,得到不同云量下的云遮系数期望值和不同空气质量等级下的AOD期望值,根据数值天气预报对云量和空气质量等级的预报值来选取相应的期望值,利用云遮系数模型得到太阳辐射的预测值。以美国BMS光伏电站的数据作为算例,验证了模型的有效性。预测结果表明,综合考虑云量和气溶胶光学厚度不确定性的模型与只考虑云量的模型相比,前者的预测结果较好,适用于不同云量、不同空气质量等级的天气。     

基于云推理及加权隐式半Markov模型的变压器故障预测

为分析电力变压器运行过程中的状态变化并准确预测潜伏故障,在现有研究基础上建立了基于云推理及加权半Markov退化模型(HSMM)的变压器故障预测方法.利用云理论对故障变压器油中气体样本数据训练以发掘对应定性云概念,并构建油中气体状态空间.基于变压器运行状态变化规律分析引入老化因子,通过多步长加权方法在Markov链中引入历史运行状态信息,构建了加权HSMM退化模型对变压器运行状态进行预测.若预测DGA表征的变压器运行状态处于异常时,利用构建的云推理组合规则发生器对变压器故障类型进行诊断.多实例分析验证表明:基于加权HSMM退化模型能准确预测变压器运行状态;相较于其它常用预测方法,其在非等间隔观测数据或出现波动情况下鲁棒性及准确性更佳;结合基于云推理机制的故障诊断方法能实现变压器状态的准确预测和故障诊断.     

基于风速云模型相似日的短期风电功率预测方法

风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一,但由于实际天气系统的复杂多样性和类属模糊性,定向选择与调度时段内风况相似的训练样本对预测精度至关重要。因此,提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法,能够对指定时段内风速随机性和模糊性特征进行学习和建模,通过对历史数据的定向筛选和精细化利用提升预测精度。首先,以日为单位建立历史风速的云模型数据库;然后,建立云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史数据序列,以此为训练样本建立短期风电功率预测模型。在实际预测中,每日根据天气预报信息滚动更新训练样本和预测模型,提高预测精度。最后,选择中国北方某风电场运行数据进行实例分析,结果证明了所提方法能够提高风电功率预测精度,具有一定的工程实用价值。     

船体RCS预估计算

文中针对船体这种大尺寸目标，提出了一套在不同海情条件下的大型船只RCS预估方案，包括大型船只与海洋的几何建模、运算理论的运用及具体程序算法设计。     

能耗管理系统不同数据预测模型的比较研究

分析了建筑能耗的影响因素,建立了BP神经网络预测模型,基于径向基网络的预测模型和灰色BP神经网络预测模型。并以上海某大型公司建筑原始用电能耗统计数据作为样本,采用Matlab对预测模型进行仿真预测,分别得到公司建筑用电量峰电、谷电和平电的预测结果。结果表明,灰色BP神经网络预测效果较好。     

基于GRU多步预测技术的云储能充放电策略

为解决云储能日前充放电策略预测的问题,提出了一种基于门控循环单元(GRU)多步预测技术的云储能充放电策略形成方法.首先,鉴于云储能优化需求及单用户负荷预测效果不稳定,构建用户聚类后的GRU多步预测方法预测一天的24点功率.然后分析了云储能模式下的用户和云储能提供商两个主体的交互过程,以预测为基础建立了云储能充放电决策滚动优化模型.仿真算例选取实际数据,在预测聚类用户光伏、负荷功率后,滚动优化求解实际值和预测值下的云储能充放电策略.算例通过5种场景验证了在云储能充放电策略中聚类的作用以及GRU多步预测技术的优势,并且证明云储能模式能够进一步削弱光伏、负荷预测误差的影响.     

多种负荷预测曲线的优化综合方法

目前已有多种负荷预测方法,但是仅使用一种负荷预测方法预测负荷存在预测精度高低的问题。此外,每种预测方法互相独立,彼此没有兼容性。通过证据理论对特定时段特定负荷预测方法得出的预测值进行精度的Dempster合成,然后对于待测负荷点的由n种负荷预测方法获得的预测值进行精度择优,保证在任一时段都采用目前时段预测精度较高的预测方法,使得综合后的负荷预测曲线总体预测精度提高。算例表明:综合后的日负荷预测曲线,整体预测精度得到了改善。     

输电线路运行可靠性预测

提高电力系统可靠性评估的准确度是改善电网安全运行的关键之一,元件可靠性计算又是系统可靠性评估的基石.传统的元件可靠性采用统计模型,无法表征元件实时状态;而考虑潮流、电压、天气等运行条件影响的元件分析模型,又受到数据来源的限制.综合前2类模型的特点,基于支持向量机和灰色预测技术,根据元件运行时间、输电线路所在区域的污秽等级和落雷密度,提出了2种实用的输电线路运行可靠性预测模型.采用2种预测模型对华东电网500 kV线路可靠性预测的结果表明,文中提出的预测模型较为真实地反映了元件的运行可靠性水平.