双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。     

基于诱导有序加权平均算法的风电场短期功率的预测

为了提高风电场发电功率的预测精度,提出一种基于诱导有序加权平均(induced ordered weighted averaging,IOWA)算法的风电场功率组合预测模型;该方法通过误差信息矩阵法筛选出优选模型进行组合,消除了冗余模型对预测精度的影响;结合华北某风电场历史功率数据及该地区的数值天气预报数据建立了风电场短期功率预测模型,以误差平方和最小值为准则,对未来48 h的风电场发电功率进行预测。结果表明:经优选后的组合预测模型降低了预测误差,提高了预测精度,缩短了预测时间。     

一种改进的硅太阳能电池非线性工程数学模型

针对现有硅太阳能电池工程数学模型精度不高的缺点,基于硅太阳能电池的理论数学模型,提出一种改进的硅太阳能电池非线性工程简化数学模型.忽略一些次要因素的影响,仅仅利用硅太阳能电池生产厂商提供的、标准测试条件下的4个电气参数,即短路电流Isc-ref、开路电压Uoc-ref、最大功率点电流Im-ref和最大功率点电压Um-ref.更重要的是,该模型首次考虑在任意光强和温度下的串联电阻参数的影响,以提高精度.进行了太阳能电池输出电气特性试验,并与基于简化模型的仿真对比.结果表明,该模型的误差一般都在6%以内,满足工程应用的精度要求.     

基于小波神经网络的双电极同步伺服放电加工工艺效果预测

针对非导电工程陶瓷双电极同步伺服放电加工工艺参数与加工效果问的高度非线性,提出了一种既能充分利用神经网络的自学习能力,又能利用小波良好的时频局部化特性的非导电工程陶瓷双电极同步伺服放电加工效果预测的小波神经网络方法,并建立了预测模型,同时将预测结果与传统神经网络模型的预测结果进行了比较。结果表明,小波网络模型的收敛速度和预测精度均优于传统神经网络模型。     

短期风功率自适应加权组合预测

首先分别建立了持续法、灰色、支持向量机风功率预测模型,然后利用各个模型的预测误差建立自适应加权的组合预测模型;仿真结果表明:组合预测模型能够充分发挥各个模型的优势,有效提高预测精度。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

晴天光伏发电功率的日内变化规律及预测方法研究

针对晴天天气类型,研究了光伏发电功率的日内和年内尺度的变化规律,根据晴天出力变化速率曲线的特性,提出晴天光伏发电功率预测模型,在晴天光伏发电功率预测模型的基础上,根据光功率实时监测信息,加入分阶段实时修正系统,实现了日前预测与超短期预测相融合,提高了预测精度.黄河上游共和光伏电站实例应用结果表明:所提出的晴天光伏发电功率预测模型的总体平均预测误差在2%以下,用于光伏发电功率预测的其他方法如线性回归、神经网络、支持向量机等在相同条件下的预测误差区间为8%～20%,故所提出的方法预测精度有大幅度提高.该模型的输入值都是基于光伏电站自身的出力特性提取的,不需要辐射量、云层、气压、降水量等难以获取的信息,是一种简单并实用的创新预测方法.     

基于熵权组合模型的风电功率预测

利用灰色预测法、人工神经网络法、ARMA时间序列法3种不同的预测模型对某风电场的风电功率进行了预测研究。计算结果表明,利用单一预测模型进行预测的精度有待提高。提出建立组合预测模型对风电功率进行预测,为了充分利用单一预测方法的优势,引入熵值理论。利用熵值法确定组合预测模型中的权重,进而建立熵权组合预测模型。模拟结果表明,熵权组合预测模型可以有效地提高风电功率的预测精度。     

分析太阳电池及阵列中二极管的作用

 具体分析二极管在太阳电池、光伏组件和光伏阵列的作用。利用Matlab中Simulink 仿真工具,根据太阳电池的仿真模型,建立光伏组件和阵列的仿真模型,分析计算二极管在太阳电池、组件及阵列中的作用,仿真分析计算具有不同导通电压的二极管对光伏组件和阵列输出功率的影响。计算结果表明正确选择二极管的导通电压对提高光伏组件和阵列输出功率是有益的。     

卫星太阳电池阵模态参数计算的半解析方法

基于传递函数方法的基本理论 ,针对某型号卫星太阳电池阵的特殊结构形式 ,通过将太阳电池阵基板划分为条形单元 ,将基板间连接铰链副简化为均匀梁单元 ,并利用条形单元与梁单元公共结点间位移连续与力平衡条件 ,建立了卫星太阳电池阵动力学特性分析的半解析计算模型。计算得到了某型号卫星太阳电池阵单块基板和多块组合基板的模态参数值 ,并将其结果与有限元结果进行了比较     

V型槽聚光下PV系统的性能研究

设计制作了V型槽聚光PV系统,基于此系统对多晶硅电池阵列和空间太阳电池阵列进行实验研究。结果表明,V型槽聚光下多晶硅电池阵列的最大输出功率为6.198W,是非聚光下的1.21倍。空间太阳电池阵列的最大输出功率由未聚光时的7.834W增至聚光后的14.223W,提高了近一倍。采用通水冷却方法,研究了V型槽聚光下电池工作温度对电池阵列开路电压、短路电流、输出功率和填充因子的影响。聚光水冷后多晶硅电池阵列最大输出功率增加到8.28W,比普通光照下提高了62.67%.     

太阳辐射流量实测值对低地球轨道卫星轨道预报的影响

太阳辐射流量是影响卫星轨道预报精度的重要因素之一。在太阳活动活跃期,空间环境的变化十分频繁,太阳辐射流量的变化也是如此。这里,我们对2011年6月份的太阳辐射流量峰值及谷值两种极端情况下,分别对低地球轨道卫星轨道进行预报,结果表明：对700km高度的圆轨道卫星而言,一个月预报的位置差异可以达33 km左右,速度差异可以达0.035 km/s左右。     

高斯-赛德尔法求解光伏阵列最大功率点基准值

为了快速且准确地求解光伏电池模型参数,进而求解局部阴影条件下光伏阵列的最大功率基准点值,采用高斯-赛德尔法,从工程实际出发,根据局部阴影下的光照情况,把光伏阵列模型分解成光照均匀条件下的多个新光伏阵列模型,利用光伏电池数据手册可以快速且准确地求解模型参数。仿真结果表明:高斯-赛德尔法能够快速且准确地求解拆分后模型的光伏阵列最大功率点基准值;该方法适用于光伏阵列在局部阴影条件下的输出特性和各个峰值点最大功率基准值求解问题。     

基于最小二乘法的光伏电源电磁暂态输出预测

光伏电源的暂态输出预测对电网稳定性分析、电能质量控制与故障诊断等有重要意义.为此,本文首先建立理想光伏电源的离散化模型与线性预测模型.然后,对于电源模型参数固定的情况,给出了基于正则化最小二乘法的预测方案.对电源模型参数变化的情况,采用递推最小二乘法获得实时更新的预测模型参数.与标准递推最小二乘法不同,该方案采用了基于滑动矩形窗的数据更新策略,可提升RLS的跟踪性能与预测精度.实验结果表明,提出的预测方案获得了良好的预测精度,而且能够很好地适应电源模型参数发生变化的情况.     

基于仿真模型的太阳能光伏电池阵列特性的分析

为了寻找更好的实现光伏发电系统最大功率点跟踪控制方法,基于仿真模型,研究了太阳能光伏电池阵列的特性。采用Matlab/Simulink模块,基于单个光伏电池的物理特性建立了太阳能光伏电池阵列的仿真模型。模型不但能分析太阳能光伏电池阵列所具有的随着光照强度和温度不同而变化的P-U和I-U非线性特性,而且可仿真太阳能光伏电池阵列工作在最大功率点以及稳定工作区域内时具有线性关系,并进行了理论推导。该模型简单明了,计算速度快。仿真结果表明:仿真与实验结果相符合,当光伏阵列工作在稳定区域内的情况下,dP/dU与I存在线性关系,模型具有通用性与实用性。     

基于仿真模型的太阳能光伏电池阵列特性的分析

为了寻找更好的实现光伏发电系统最大功率点跟踪控制方法,基于仿真模型,研究了太阳能光伏电池阵列的特性。采用Matlab/Simulink模块,基于单个光伏电池的物理特性建立了太阳能光伏电池阵列的仿真模型。模型不但能分析太阳能光伏电池阵列所具有的随着光照强度和温度不同而变化的P-V和I-V非线性特性,而且可仿真太阳能光伏电池阵列工作在最大功率点以及稳定工作区域内时具有线性关系,并进行了理论推导。该模型简单明了,计算速度快。仿真结果表明:仿真与实验结果相符合,当光伏阵列工作在稳定区域内的情况下,dP/dV与I存在线性关系,模型具有通用性与实用性。     

局部阴影条件下光伏阵列最大功率点跟踪研究

以1/4阴影覆盖下的光伏阵列为对象,用Matlab/Simulink仿真软件,通过构建阴影条件下光伏阵列数学模型,分别采用瞬时扫描法和扰动观察法进行最大功率点跟踪研究.结果表明:在1/4阴影覆盖情况下,扰动观察法只能跟踪到太阳能电池低压侧20V附近极大功率点,瞬时扫描法能跟踪到高压侧60V左右最大功率点.采用新型的瞬时扫描法能对局部阴影覆盖的光伏阵列实现更准确的最大功率点跟踪.     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高，太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度，在安全稳定运行中保障工业电力系统的正常使用，提出一种结合改进的自适应噪声互补集成经验模态分解（improved complementary ensemble empirical mode decomposition with adaptive noise ,ICEEMEDAN）与差分自回归移动平均（autoregressive integrated moving average ,ARIMA）的长短期记忆（long-term and short-term memory ,LSTM）神经网络模型，使用该复合模型对光伏发电功率进行预测，通过对影响光伏功率的不同变量进行评估，获取特征重要性并作为模型的输入，在时间尺度上利用改进后的LSTM模型进行建模，以R2等相关指标评判模型性能的优劣，从而实现完整的光伏功率预测。实验采用澳大利亚（DKASC）光伏数据集群中一光伏电站2016年实测数据进行验证，两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高了2.82%、0.02%。