基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

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。     

考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法

为了提高光伏出力短期预测精度,提出了一种考虑空间相关性采用长短期记忆LSTM(long short-term memory)神经网络的预测方法。该方法首先在周边光伏电站中依据光伏序列的延迟相关性选取参考电站,在此基础上,依据光伏出力随机性部分持续时间的概率分布,分时段对其进行空间相关性分析,选择与目标电站相关性较强的光伏序列;然后,结合目标电站气象数据的主成分分析结果和历史光伏数据,构建LSTM神经网络模型;最后,通过仿真实验分析验证了所提预测方法的有效性。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测

为进一步提升光伏输出功率短期预测的准确性和稳定性,提出一种基于相似日聚类的小波神经网络(wavelet neural network,WNN)和AdaBoost的混合预测模型.首先利用模糊C均值聚类(fuzzy C-means algorithm,FCM)算法将初始数据集按照不同的季节和天气类型进行划分;其次选用WNN...     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。     

基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于DE-GWO算法的光伏系统MPPT仿真研究

光伏系统受部分遮影作用,使其P-V特性曲线呈现多峰特性,导致传统最大功率点跟踪算法的跟踪效率降低。为此,本文提出含双层结构的最大功率点跟踪算法,将差分进化算法和灰狼优化算法分别置于附属层和主层,运用更替和反哺方式促使两组算法协同搜索使光伏系统输出功率最大化的占空比。首先,将占空比拟物为各算法的个体和灰狼;然后,采用差分进化算法快速搜索多组群体,将各组群体内最佳占空比更替为主层狼群的位置;最后,应用灰狼优化算法对狼群的位置寻优,并将α狼反哺回附属层,指导附属层群体更新。在Matlab2017a/Simulink环境下,应用本文算法对不同遮影程度的四组案例进行仿真,结果表明,本文算法在四组案例中跟踪效率分别为:99.63%、99.91%、99.41%和99.95%,均高于其余三类算法,可较好提升光伏系统发电量。     

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,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。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,基于神经网络用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;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于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精度,能够为调度运行人员提供决策辅助。     

基于小波分析的短期电力负荷组合预测方法

为了提高电力系统短期负荷预测的精度,提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法。针对电力系统负荷具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对负荷序列进行小波分解与单支重构,得到各频段上的近似序列和细节序列。根据各序列的自身特点,将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测,最后将各负荷序列的预测结果加以组合得到最终的预测结果。经实际算例验证,该方法能够有效地提高预测精度。     

基于综合协调优化的两阶段配电网动态重构研究

针对配电网动态重构,常需要考虑长时间尺度下的合理规划综合考虑负荷功率变化以及光伏、风电等分布式电源的出力变化,及时调整网络拓扑结构使得网络损耗和电压偏差尽可能地小,同时还需顾及网络拓扑结构改变时断路器动作次数与断路器组合冲突问题。为此,文中提出了一种基于综合协调优化的两阶段配电网动态重构法,将配电网动态重构分为两个阶段：1)以网损最低为目标,以基于有序环网的启发式规则灰狼静态重构算法对配电网所有时段进行重构寻优;2)对最优解进行综合协调优化,并提出削减规则策略与时段融合策略,按顺序缩减动态重构的断路器动作次数。仿真结果表明,该方法不仅可以有效降低网损,提高配电网各个节点的电压值,且大幅度降低断路器动作次数。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。