基于相似日和分位数回归森林的光伏发电功率概率密度预测

为提高光伏发电功率预测精度及可靠性,提出一种基于相似日和分位数回归森林(QRF)的光伏发电功率概率密度预测模型。选取某光伏电站实测数据为研究对象,在将光伏发电功率原始数据按不同天气类型进行分类的基础上,通过温度和风速2个特征向量选取相似日,并对相似日历史数据建立BP神经网络(BPNN)、支持向量机(SVM)和QRF预测模型。结果表明:晴天时,不同模型预测值均能较好跟踪真实值变化趋势,在13:00—16:00光伏发电功率下降时间段,QRF模型更接近真实值;多云或阴天时,在9:00—12:00,3种模型预测误差均较大;雨天时,在14:00—16:00光伏发电功率突变时间段,BPNN模型预测误差最大,SVM预测值相对于QRF模型更接近真实值,而在10:00—12:00,SVM模型预测误差增大。对不同模型不同天气类型下的预测误差,QRF模型预测性能更佳。     

融合多参量的电力设备故障诊断技术研究与应用

为全面综合诊断电力设备故障,参考已有电力设备综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力设备故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,融合多参量的电力设备故障综合诊断比基于单参量故障诊断的诊断性能较好。