LS—SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型。依据实验数据对模型进行了验证计算．并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10．54％,平均绝对百分比误差（MAPE）为8．18％,绝对误差平方和平均值的均方根（RMSE）为0．4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力．可以有效地预测短期光伏发电功率。     

微型光伏发电系统并网电能优化控制方案

以微型光伏并网发电系统为研究对象,基于最小二乘支持向量机建立了光伏并网发电系统电能预测LS-SVM模型。在此基础上,以减少用户从电网获取电能,提高光伏电能利用率为目标,针对需求侧负荷用电管理,提出一种电能优化控制方案。通过实例计算分析显示,该方案可使用户从配电网获取电能减少10.36%,平均日减少碳排放量约618.8 kg,在保证光伏电能就地有效利用的同时,有效地提高了系统节能减排能力。     

孤岛模式下风光储微网容量优化配置策略研究

为了保证供电可靠性并提高整个微网系统的经济性,本文基于典型风光储微网系统模型,以满足基本用电负荷为前提,进行微网系统最优容量配置.根据风电、光伏、蓄电池的自身运行特性及其成本,本文提出以系统投资成本、运行成本和维持系统供电可靠性等综合成本最小为目标的优化配置策略;利用遗传算法来获得系统的全局最优解;最后,利用HOMER软件对所得结果进行检验.仿真结果最终验证了模型和算法的合理性.     

基于能量预测的光伏微网储能系统控制策略

以光伏微网储能系统为研究对象,提出一种融入光伏发电与负荷预测技术的储能系统模糊控制策略。该方案考虑了光伏输出功率随天气条件变化的随机性,建立了光伏短期功率预测最小二乘支持向量机(LSSVM)模型;考虑电力负荷影响因素的多样性与不确定性,基于灰色关联度(GRA)建立了电力负荷LS-SVM预测模型;考虑建立在偏远地区的微网系统,因分布式电源上网造成电能质量下降和电能传输过程的浪费,建立储能系统模糊控制策略,以确定电能最优分配及就地消纳,以保证系统能源利用效率。根据算例分析表明,该控制方案不仅可准确预测光伏微网能量,而且可提高储能系统运行效率,降低电能传输过程中线路损耗以及对电网电能质量的影响。