基于数据驱动模式的波浪能装置短期发电功率预测方法

 分析了随着波浪能发电技术的逐步成熟带来的功率预测技术现状,阐述了功率预测对规模化利用波浪能的现实需求,研究了不同模型的预测机理和特性,并在传统物理模型技术上提出了基于深度学习的数据驱动模型。基于长短时记忆网络的深度模型能够对波浪发电装置的短期功率开展预测,并通过与支持向量机、神经网络等模型的比较,证明了长短时记忆网络模型预测方法能够获得更优的短期预测结果。     

基于时域卷积网络的风力涡轮机发电功率多时间尺度预测

基于时域卷积网络,提出一种风力涡轮机发电功率的多时间尺度预测方法。首先,对影响发电功率的若干数据进行清理和归一化处理,减少异常值所带来的不良影响。其次,为了能够有效地捕捉时间序列数据中的动态特征,搭建了一种三层结构的时域卷积网络模型,对风力涡轮机未来一段时间内的发电功率进行预测。最后,利用公开数据集进行仿真实验,验证所提出模型的有效性,并对不同时间尺度的预测结果进行对比分析。     

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。     

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。实验采用澳大利亚光伏数据集群(DKASC)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...     

波浪能转换装置主动控制研究现状与发展

波浪能是可再生的清洁能源，具有相当可观的发展潜力，但由于波浪的不规则运动等因素，波浪能发电系统的能量转换效率较低。本文关注于波浪能转换装置的主动控制，首先对波浪能发电原理进行了介绍，其次从波浪能转换装置控制模型的失配、未来波浪信息预测和能量输出系统的功率损耗三个方面，总结了近年来波浪能转换装置控制技术的现状与发展，最后指出了人工智能技术、多性能优化和阵列管理等方向是波浪能转换装置控制研究的发展趋势。     

基于VMD-IPSO-RFR模型的光伏发电功率预测

针对预测数据噪声过大或超参数调整不当,导致随机森林回归(RFR)模型预测光伏发电功率精度不高的问题,提出一种基于变分模态分解(VMD)结合改进的粒子群(IPSO)优化随机森林回归(RFR)的光伏预测模型。该方法先用灰色关联度系数法(GRA)选取相似日,再使用VMD把相似日功率数据分解为一系列相对平稳的子模态,突出光伏发电功率的局部特征信息,降低数据的不稳定性,然后利用IPSO对RFR中超参数进行寻优,将优化后的IPSO-RFR模型对各个分量进行预测,最后将预测结果进行叠加重构。实例证明,该模型在晴天和阴雨天的预测平均绝对百分比误差分别为10.64%和5.42%,预测精度相对较高。     

电池储能跟踪发电计划及平抑风电波动的多目标优化控制

针对风电并网问题，综合考虑并网发电误差、时段功率波动和电池荷电状态，提出了一种电池储能补偿发电计划曲线误差及平抑风功率波动的多目标优化控制策略.首先，通过分析风储联合发电特性，建立包含多项考核指标的评价体系，并构建电池储能系统输出功率的多目标优化控制模型；然后，结合NSGA-Ⅱ智能优化算法及模糊综合评价方法对多目标优化控制模型进行求解和决策，实时优化电池储能系统的输出功率指令；最后，基于某风电站的实测发电数据进行对比仿真，验证所提出的多目标优化控制策略能够在有效提高跟踪发电计划曲线的能力、降低风功率频繁波动的前提下，通过优化电池储能系统有功出力及荷电状态来延长储能电池的使用寿命.     

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。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于双深度神经网络的光功率预测方法

光伏发电是新兴的清洁能源发电方式之一,其光功率受辐照度等环境因素影响较大,导致注入电网的电量不稳定。采集的环境数据能准确预测发电量变化趋势,对电网平稳运行具有重要意义。现有光功率预测方法大多采用单个模型构建预测结构,当面对不同环境数据时预测结果不够稳定。文中提出一种基于双深度神经网络的光功率预测方法,该方法以BPNN(back propagation neural networks)和LSTM(long short term memory)为基础判别器,并通过遗传算法将二者融合为更加精确和鲁棒的光功率预测模型。在东北电网实际数据集上的实验结果表明,相比现有单一神经网络模型,文中提出的方法具有更高的判别精度,且预测结果更加稳定。     

利用2DGRA-BiLSTM模型的日前光伏功率曲线预测方法

为了克服光伏发电固有的间断性和波动性对电网稳定性的负面影响,提出一种二维灰度关联分析-双向长短期记忆神经网络(two-dimensional grey relational analysis and bidirectional long short-term memory network, 2DGRA-BiLSTM)模型,用于实现日前光伏功率曲线预测,以更好指导电网调度.不同于以往的点预测,本研究将日功率曲线作为整体进行预测.首先用2DGRA实现最佳历史相似日数据的获取;其次,根据日功率曲线的波动性将总数据分为3类;最后,根据3种分类,分别训练3种BiLSTM模型对日功率曲线进行预测.所提出的预测模型通过沙漠知识澳大利亚太阳能中心历史气象和功率数据进行训练,并通过数值天气预报和功率数据进行测试.对比其他几种神经网络模型,实验表明所提出模型具有更好的综合预测性能,在晴空、轻度非晴空和重度非晴空条件下,决定系数(R²)分别为0.994、0.940和0.782.     

结合改进的DCGAN和Attention-LSTM的光伏功率预测

针对新建光伏发电站在光伏功率预测过程中由于缺少训练数据导致预测精度较低以及光伏发电功率的不稳定等问题,本文提出一种结合改进的深度卷积生成对抗网络（DCGAN)、 注意力机制（Attention）和LSTM网络组合的光伏功率预测方法。首先,将DCGAN中生成器的特征提取网络由二维卷积改为一维卷积,更好的学习一维时序数据,并用改进的DCGAN对光伏数据进行扩充,其次,采用Attention模块和LSTM模型相结合,先通过Attention模块提高重要特征的权重占比,生成新的输入特征,再通过LSTM模型进行功率预测。采用澳大利亚沙漠知识太阳能中心(DKASC)Alice Springs电站的数据进行验证,实验结果表明,结合深层卷积生成对抗网络与Attention-LSTM的混合预测方法能有效提升预测的精度。     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

液压蓄能式波浪能装置发电系统的特性

分析了液压蓄能式波浪能转换器(WEC)的工作原理和优势;根据液压马达和永磁同步发电机的数学方程推导出了发电系统的4个基本特性,分析了蓄能器压力和发电机负载对转速、电压和功率的影响;针对液压蓄能式WEC发电系统的两种工作模式——恒电阻模式和恒转速模式,建立了液压蓄能式WEC发电系统的Matlab/Simulink仿真模型,并进行了仿真实验,结果验证了关于液压蓄能式WEC发电系统特性推理的正确性.     

基于电池储能和可控负荷的孤岛型海岛微电网频率协调控制策略

针对以风电和波浪能发电为主电源的孤岛型海岛微电网,提出一种基于电池储能和可控负荷的孤岛型海岛微电网频率协调控制策略。储能元件采用改进的下垂控制实现类似于电力系统一次调频的有差调频,根据其荷电状态及最大充放电功率,动态调整下垂控制运行点以及下垂控制系数,既能将微网频率偏差控制在合理范围内,又能防止电池储能系统过充过放;利用海水淡化负荷的可控性,将频率偏差引入其转速控制环,实现类似于电力系统二次调频的无差调频。在Matlab/Simulink下搭建了孤岛型海岛微电网的仿真模型,并对不同运行场景进行了仿真验证。结果表明,基于电池储能和可控负荷的孤岛型海岛微电网频率协调控制策略可以有效地分配系统功率差额,维持海岛微电网的频率稳定。     

计及机理机制的Stacking集成光伏发电预测

准确地光伏预测对电力调度、容量分析和机组组合至关重要。现有的数据驱动预测算法在计算速度和预测精度上有一定的提升,但未能考虑光伏发电的内在机理,存在泛化的风险。针对上述问题,提出了一种基于Stacking框架的机理模型和数据驱动结合的预测模型。其中,光伏发电机理模型将嵌入Stacking框架一层预测结构,构成基于长短期记忆神经网络(long short-term memory, LSTM)、极度梯度提升树(extreme gradient boosting, XGBoost)和机理模型的并行预测学习器。机理模型将光伏发电限制在一个合理的范围内,作为数据驱动模型的预测约束。所提出的模型能够从机理模型中提取有用的固有信息,并利用数据分析的能力提取历史数据中的非线性关系。基于安徽省某地区实际数据分析,所提模型相比传统数据驱动方法具有更高的精度。     

基于混合模型的锂离子电池热失控预判方法

锂离子电池在储能系统中已得到普遍应用,但其会由于热失控而产生自燃、爆炸等引发安全事故, 如何对储能锂离子电池热失控故障风险进行超前预测和判定是当前研究的热点问题。将电热物理模型与深 度学习模型长短期记忆模型(LSTM)相结合,提出一种基于混合模型的储能锂离子电池热失控预判方法。 通过收集电池运行数据,利用电池的电热耦合模型进行电池内部温度、荷电状态(SOC)的估算;同时,将电池 表面温度、电池电压、电池电流等参数共同作为 LSTM 的输入,利用混合模型精确预测电池的表面温度和内 部温度。通过阈值方法判定热失控的发生并确定诱发原因,从而实现对电池热失控的准确预测。基于公开 数据集的实验结果表明,提出的混合模型进行热失控预判具有较好的精确性和快速性,在实际工程应用中有 着较好的应用前景。     

基于MPC的多源孤岛微电网协调控制

含有多种分布式电源(DG)的微电网在孤岛运行时,DG出力的随机性以及负荷的波动性对系统的安全稳定运行带来了巨大挑战。针对含有柴油发电机、光伏发电单元和储能单元的孤岛微电网,提出了各分布式电源的协调控制策略,光伏发电单元采用最大功率跟踪控制以最大限度利用太阳能,储能单元与柴油发电机协调控制以提高系统运行的稳定性。采用模型预测控制策略(MPC)实现并网逆变器的内环电流控制,避免了繁琐的PI参数整定以及PWM调制器的使用,提高了控制器的动静态性能。仿真结果验证了所提控制策略的有效性与可行性。     

基于模糊控制的光伏微电网复合储能控制策略优化研究

微电网中复合储能的功率分配问题一直是业内研究的热点,以光伏微电网为应用场景,电源功率波动和负载功率波动在时间上呈现出的非线性特性会对储能系统控制产生影响。针对这一问题,在基于源-荷功率预测的复合储能控制策略上进行优化,利用模糊算法对非线性问题的处理优势,在储能元件功率分配的情况中加入模糊控制器,兼顾考虑储能电池SOC(State of Charge)与微电网功率波动之间的非线性关系,设计微电网预测能量与实际并网能量的差额分配算法,对储能系统有功率参考值进行实时修正,从而达到调节储能系统SOC的效果。实现了在长时间尺度中,实际并网功率能准确跟踪并网调度,储能元件不会产生过充或过放的现象,从而降低了储能元件的损坏率,提高了复合储能系统运行的安全稳定性能,延长了储能系统使用寿命的目的。实验结果表明：与优化前的控制策略相比,在相同工况下优化后的控制策略使蓄电池SOC波动范围缩小15.6%,一直保持在40%～60%之间波动。