考虑多因素影响的光伏发电功率智能预测研究

为了提高光伏发电功率预测精度，减少光伏发电功率预测误差，提出考虑多因素影响的光伏发电功率智能预测方法。首先分析光伏发电功率预测研究进展，选择光伏发电功率影响因素，并采用相关性分析法确定影响因素权重值，然后根据权重值对光伏发电功率样本数据进行处理，采用最小二乘支持向量机对样本进行学习，建立光伏发电功率预测模型，最后采用Matlab工具箱进行光伏发电功率预测的仿真对照测试，结果表明，所提方法可以科学、准确描述光伏发电功率变化趋势，光伏发电功率预测精度高于当前经典方法，是一种性能优异的光伏发电功率预测建模技术。     

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...     

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。     

基于相似日和MDS-PSO-ELman的光伏功率超短期预测

光伏电站系统输出功率受环境因素影响较大,具有很大的不确定性,对并网安全稳定运行具有重大影响,为此提出了一种基于MDS-PSO-ELman搭建的功率预测模型。首先,通过灰色关联度选取相似样本日,然后通过MDS给数据降维,提高数据分类的准确性并消除冗余数据。最后,针对ELman神经网络预测模型权值和阈值盲目随机的缺点以及局部最优化选择问题,采用PSO优化预测模型初始参数。同实际光伏发电系统功率相比,该研究模型能够有效预测各天气类型下的光伏发电输出功率且精度较高。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

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...     

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.     

基于神经网络的油田光伏发电预测方法

针对油田大规模发展光伏发电时,电网输出功率不稳定的问题,提出了基于神经网络的油田光伏发电预测方法。首先,对光伏发电数据进行归一化和反归一化的预处理;其次,构建带有输入层、隐含层以及输出层的BP神经网络预测模型;最后,根据光伏发电数据的对比序列和参考序列得出每个时刻的光伏数据权重,根据权重提取数据并代入预测模型,实现油田光伏发电预测。结果表明,所提方法的预测精度较高。     

基于聚类和LSTM的光伏功率日前逐时鲁棒预测

太阳能作为具有高可用性且用之不竭的清洁能源,被认为是最有前途的能源替代品之一。光伏是最广泛使用的太阳能技术。然而,由于太阳能的间歇性,光伏发电具有不确定性。随着全球光伏装机容量的不断提升,光伏功率预测的准确性对于电网管理和电力调度至关重要。该文提出一种基于K-means聚类分析和长短期记忆神经网络(long-short-term memory, LSTM)的光伏发电功率日前逐时鲁棒预测方法。首先采用K-means算法以日前天气预报数据为特征将光伏数据分为晴空天气类型和阴雨天气类型,再针对相应类型数据建立基于长短期记忆神经网络算法的预测模型。同时,为增强预测模型的鲁棒性,选择具有强鲁棒性的Huber损失函数用于模型训练,并选择计算简单且收敛速度快的鲸鱼优化算法对Huber损失函数中的超参数进行优化。将所提出的预测方法与其他方法进行预测性能的比较,结果表明,提出的方法获得了较高的预测精度。     

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.     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

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。     

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R²等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。     

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。     

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.     

基于优化BP神经网络光伏出力短期预测研究

太阳能拥有丰富的资源,而且分布广泛,现已被广泛应用到各种应用中,光伏发电已是一种可靠可行、可扩展的重要可再生能源利用的方式,因此对光伏出力进行精准的预测意义重大;从宁夏市某光伏发电站获得了一年的光伏发电数据与气象等因素,选取四月至五月的数据进行研究预测;针对BP神经网络的收敛时间长,容易陷入局部极小值等缺点;建立单一BP神经网络预测模型,基于遗传算法(GA)优化BP神经网络的GA-BP预测模型与基于狼群算法(WPA)优化的BP神经网络的WPA-BP预测模型;选择平均相对误差作为误差评估指标,结果表明,3种预测模型均能对光伏电站的发电功率进行预测,但是单一的BP神经网络模型误差较大,晴天时,误差为5.1%,经遗传算法改进后的预测误差为4.9%,较单一模型提高了0.2%的精度,而WPA-BP预测模型误差为4.4%,预测精度高于前者;同时多云天和雨天的时候,均为WPA-BP模型的预测误差小,稳定性高,具有一定的研究价值。     

改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.