基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

基于云平台的光伏电站能量流测试系统的设计与应用

近年来，光伏发电装机容量不断增加，随着光伏发电平价上网时代的来临，光伏电站的盈利空间被压缩，如何提高光伏电站发电性能成为运维人员关心的头等大事，因此光伏电站发电性能测试方法的便利性和客观性成为一个突出问题。提出一种光伏电站发电性能测试方法，是一种基于云平台的能量流测试方法，基于此测试方法设计了一种新型测试系统，并在山西省运城市某90 MW光伏电站进行了实际测试应用。通过对测试数据的深入分析，本测试系统可以定位光伏方阵中低效率光伏组串的位置，进而可对低效率光伏组串进行故障诊断和低效率分析，并最终定位故障类型，取得了满意的效果。本测试系统在同步性、准确性、连续性、拓展性等方面均具有突出的优越性，能连续实时采集数据，得出的测试数据详细、全面，同时云平台的应用减少了现场测试人员的工作量，大幅提高了测试效率，降低了测试成本，本测试系统的应用具有很高的经济效益和社会效益，具有一定的推广性。