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BP神经网络的光伏阵列温度预测

针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。     

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。     

基于迁移学习的光伏发电功率超短期预测方法

在超短期的环境下,发电功率预测层级单一,导致误差增加,为此,提出基于迁移学习的光伏发电功率超短期预测方法。结合设定的发电预测范围,预处理自动化基础预测数据,各个区域布设节点,关联自动化预测源域,以此为基础,设计分布式自适应自动化预测序列,采用多维度、多层级的预测形式,扩大实际的预测范围,设定复合预测目标,构建光伏发电功率迁移学习自动预测模型,在其中增设特征自动化预测矩阵,并采用多层深度学习感知处理实现预测。最终的测试结果表明：设计方法的预测误差仅为1.03,具有实际的应用价值。     

基于PSO-DE-BP的光伏发电功率短期预测

提高光伏发电功率预测精度对保障智能电网安全稳定运行有重要意义;针对传统BP神经网络存在预测精度不高且收敛速度慢的弊端,提出一种基于粒子群(PSO)差分进化(DE)并行计算优化BP神经网络的光伏发电短期预测方法;首先分析影响因素重要程度,通过带权重的欧式距离筛选相似的训练样本集;其次,对粒子群分组,通过粒子群和差分进化混合算法对粒子组内和组间优化,以保证种群多样性、提高预测稳定和精度、避免局部最优;然后,建立预测模型,通过基于spark的内存计算平台,将PSO-DE-BP算法并行优化以提高算法运行效率;最后,根据不同天气类型的预测结果对模型进行分析验证,此方法比PSO-BP、BP算法模型具有更高的稳定性和预测精度。     

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.     

基于RBF-BP神经网络的光伏MPPT研究

针对光伏电池的输出特性受光照强度、温度等因素的影响而具有的非线性特性的问题,为了提高光伏发电系统的发电效率必须对其输出功率进行追踪,并且为了克服MPP追踪过程中收敛速度慢和精度低的缺点,提出了一种RBF-BP组合神经网络对光伏阵列最大功率点追踪的算法。首先通过对光伏电池输出特性的研究,确定了温度和光照强度是影响光伏电池最大功率点输出的主要因素。然后考虑这两个因素作为RBF-BP组合神经网络的输入来设计光伏阵列最大功率点追踪系统。最后,利用Matlab建立该系统的仿真模型,并进行仿真研究与分析。仿真结果表明,该系统具有最大功率点追踪的精度高,响应速度快等优点。从而有效地实现了对光伏最大功率点的追踪,提高了光伏发电系统的发电效率。     

基于机器学习的光伏组件热斑图像检测方法研究

热斑效应是造成光伏组件损坏的主要原因之一,为提早发现光伏组件热斑效应,利用机器学习算法优化设计光伏组件热斑图像检测方法。根据光伏组件的工作原理以及热斑的产生机理,设置光伏组件热斑图像检测标准。采用红外成像的方式采集光伏组件热斑图像,通过颜色空间转换、滤波去噪、背景干扰去除和图像增强等步骤,实现初始图像的预处理,利用机器学习中的卷积神经网络算法,从轮廓和颜色两个方面提取热斑图像特征,根据特征匹配结果得出光伏组件热斑图像的检测结果。通过性能测试实验得出结论:与传统检测方法相比,优化设计方法的漏检率和误检率明显更低,且光伏组件热斑面积检测误差较低。     

基于极限学习机的风电输出功率预测

针对风电网中电机的精确估计及电网的动态调整问题,提出了基于极限学习机(ELM)的风电机组功率预测实现方法.首先对EML中的隐含层激励函数进行建模,其次通过预处理样本数据、确定激活函数、最大隐含层节点数和最大主成分数、判断RMSECV均值、输出权值及输出矩阵计算等步骤来预测风电机组输出功率,最后通过系统仿真和数据对比分析...     

基于时序指数平滑法的风电场功率预测研究

针对现有风电场功率预测方法存在预测时间短、预测精度低,不能跟踪风电波动性、间歇性进行可靠预测的问题,提出了一种基于时序指数平滑法的预测方法。该方法首先将原始数据利用指数平滑法进行去畸变量处理,得到较规则的功率数据,然后根据初步处理后的功率数据利用反馈式时序指数法进行预测。利用该方法对某大型风电场4台风电机组未来1天的发电功率进行了预测,预测结果与实测数据大致吻合,证明了该方法的可行性。     

基于主成分机器学习算法的慢性肝病的智能预测新方法

运用新一代信息技术快速预测慢性肝病的机理和特征,是提高慢性肝病诊断率的有效途径。运用主成分分析机器学习算法,对描述慢性肝病的多项指标属性项进行降维处理,结合神经网络学习,构建了慢性肝病预测模型。实验分析了125组20维慢性肝病患者的医学检验指标数据项,利用ROC(Receiver Operating Characteristic)曲线优选出13维指标项作为慢性肝病敏感度高的检验指标属性项。通过主成分分析将13维指标项降至5维综合数据项。神经网络训练115组检验指标样本集,剩余10组样本集作为测试样本。与原始20维数据作为神经网络输入相比,所提模型不仅降低了复杂度,且预测精度提高了15.07%。     

无功与谐波补偿检测的光伏并网仿真研究

研究了光伏电源并入配电网后对电能质量的影响.从理论上分析了对光伏并网发电系统进行无功补偿和消除配电网谐波的方法,利用瞬时无功功率理论检测系统无功及谐波电流,将无功和谐波补偿策略与光伏发电控制相结合.仿真结果表明,光伏电源并网能够较好地补偿系统无功和负载谐波,对提高负荷特性和电网的电能质量、减小电网电流谐波有显著的效果.     

基于多输出学习的沪深300指数预测研究

在股票市场中,人们通常会依赖于股票的历史交易数据来进行推测。目前采用SVM方法进行预测的研究较多,但其模型复杂,耗时较长,而且通常只预测未来1天的数据。文中采用多输出的正则化方法来预测未来多天的走势,对多任务的学习方法进行改进,提出了一种基于多输出的学习方法。实验表明,与SVM支持向量机的方法相比,该方法在沪深300指数预测的均方差值上提高了约10倍,运行时长也减少了近3/4。     

基于压缩动量项的增量型ELM虚拟机能耗预测

在基于基础设施即服务（Infrastructure as a service,IaaS）的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机（Incremental extreme learning machine,I-ELM）的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.     

基于机器学习算法的光伏组串故障诊断技术研究

常规缺陷检测方法中,主要依据光伏电站面板异常状态数据检测面板缺陷,检测结果存在着一定的随机性,导致缺陷检测结果不清晰。因此,利用了无人机影像技术,设计了光伏电站面板缺陷检测方法。提取出图像中的缺陷特征,结合无人机影像技术,通过灰度共生矩阵将缺陷图像与完整图像分割开来,识别可见光图像缺陷位置,并将缺陷图像放在光伏面板缺陷检测模型中进一步检测,使图像纹理特征与形状特征高度融合,从而实现光伏电站面板缺陷的精准检测。采用对比实验的方式,验证了该检测方法的检测置信度更高,检测精准度随之升高,能够应用于实际生活中。