基于GA-BP的分布式光伏发电预测

基于分布式光伏发电在家庭能源管理系统(HEMS)中具有广泛的应用,光伏输出功率的准确预测影响家用设备优化调度、并网时电网的稳定性及光伏发电利用率。对光伏输出功率主要影响因素进行研究,通过选取光伏发电预测日相似日天气类型(晴天、多云、阴雨天),在传统BP预测模型基础上引入GA优化算法,建立GA-BP光伏发电预测模型。分别选取预测日相似日天气类型为晴天、阴雨天进行实验仿真,结果表明所建预测模型能够提高光伏发电预测精度,在HEMS系统中具有一定的实用价值。     

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。     

配置储能装置的光伏预测配网优化研究

在分析区域光伏并入配网时交流母线PCC点电压波动机理的前提下,提出一种配置储能装置的光伏预测配网优化运行方法。该方法分析光伏发电输出功率与多种气象因素的相关性,将多种气象因素作为多个信息源处理,运用信息融合理论将其加权为一个综合影响因子λ,建立以λ为输入的BP神经网络预测模型,将模型输出的预测值实时传送给储能装置,采用基于滤波原理的光伏发电输出功率平滑控制,实现光伏功率平滑输出,这种方法可以和分时电价有效结合,既提高配网运行经济性的同时稳定节点电压,降低节点电压越限的可能。研究结果表明:所述预测模型具有较高的预测精度,对配网的安全优化运行有一定作用。     

基于时频熵和神经网络的光伏发电功率预测模型

针对光伏电站并网后发电功率波动较大影响电网合理调度及平稳运行的问题,提出一种基于EEMDHilbert变换及时频熵的神经网络光伏发电功率预测方法。将电站光伏发电功率历史值按晴天、雨天及多云天分类并分别用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法分解成若干频率由高到低的内禀模态分量,经游程检测法重构成高频和中频分量,再由Hilbert变换得到高频和中频分量各数据点的频率与幅值,构造信号的能量谱图,提取含有时频信息的特征参数时频熵,将其与EEMD分解后得到的中频或高频分量以及温度、光照强度、风速、相对湿度等气象参数作为BP(back propagation)神经网络的输入,构建预测模型对不同天气条件下短期和超短期光伏发电功率进行预测。研究结果表明:此方法预测精度较高,发电功率预测误差基本上小于仅用气象数据直接预测的误差;晴天、雨天和多云天的短期光伏发电功率预测准确率分别为0.995,0.944和0.931,超短期预测准确率分别为0.996,0.984和0.991。     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

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PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization,PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine,ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.     

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。     

并网光伏发电系统发电量预测方法的探讨

为了较为准确的对并网光伏发电系统的发电量做出预测,提高光伏并网后电网的稳定性及安全性。文章对硅太阳电池组件发电功率进行了理论计算,建立了多元线性回归光伏发电功率及发电量预测模型。通过改进水电、火电和风电现有的发电量预测模型(基于BP神经网络和G(1,1)灰色理论模型),使得改进后模型更适合于并网光伏发电系统发电量的预测。最后,对三种预测模型的优缺点进行了比较,为今后并网光伏发电的预测提供了一种较为准确可行的方法。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

基于MPA-LSTM模型和Bootstrap方法的短期光伏功率区间预测

光伏发电功率的波动性和间歇性为电力系统调度管理带来巨大的挑战,精确的光伏功率区间预测是解决上述问题的一种有效途径。为此,本文提出了一种基于LSTM网络的新型短期光伏功率区间预测模型。采用MPA对LSTM网络的隐含层神经元数和训练批次数等超参数进行自动寻优,以克服随机选取LSTM模型参数过程中存在的盲目性、费时等问题;并将MPA-LSTM模型用于光伏功率点预测。然后,采用Bootstrap方法分析模型预测结果的误差分布,确定模型预测输出的区间范围。最后,通过对比仿真验证所提模型的有效性。结果表明：本文所提的MPA-LSTM模型均方误差的平均值为1.09%,优于SVM、LSTM、PSO-LSTM和MPA-SVM模型;Bootstrap方法能够准确地描述给定置信度水平下的光伏功率波动范围。     

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。     

基于高斯混合模型的光伏发电功率概率区间预测

随着世界经济的绿色发展,大力发展可再生能源逐渐成为共识。可再生能源中太阳能的开发利用已成为当前能源转型中的重要领域,并在很多科技发达国家得到了较广泛的应用。高精度的光伏发电功率预测对电力系统的优化调度、安全运行十分重要。由于光照强度和能见度等会影响太阳能发电量的随机性,提出一种基于高斯混合模型的光伏发电功率概率区间预测方法,通过利用K-means算法将光伏发电历史数据按天气进行划分,以划分后的预测误差为统计样本,采用高斯混合模型进行拟合并使用期望最大化算法估计模型参数,通过计算指定置信水平下的置信区间进行光伏发电功率概率区间预测。仿真结果表明所提方法在进行光伏发电功率区间预测时的性能评价指标均优于典型单一分布模型,证明了所提方法的准确性和适用性。     

基于EMD-AO-DELM的光伏功率预测算法

为提高光伏功率预测精确度,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）-天鹰优化器（Aquila Optimizer,AO）-深度极限学习机（Deep Extreme Learning Machine,DELM）的组合光伏功率预测模型.该算法对光伏发电影响因素进行分析筛选,选出与光伏输出功率高度相关的因素作为输入变量,并采用经验模态分解（EMD）将光伏原始功率数据分解为多个特征模态函数（Intrinsic Mode Function,IMF）.然后,将分解得到的IMF分量分别输入DELM预测模型,同时通过AO优化算法对DELM初始输入权重进行优化,从而提高深度极限学习机的泛化能力.最后,将各IMF分量预测结果叠加求和得到最终预测结果 .通过仿真结果表明,本文提出的EMD-AO-DELM预测模型,相较于单一DELM模型具有更好的预测精度,证明了所提方法的有效性.     

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。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

光伏光照概率性对配电网电压的影响

分布式光伏发电接入配电网后将对配网无功电压特性产生诸多影响.文中建立了基于太阳辐射度Beta分布的分布式光伏发电系统概率模型,考虑太阳辐射度对光伏发电系统出力的影响,模拟了晴天少云、晴朗无云、晴间多云这3种典型天气情况下光伏发电系统的出力变动,得到连续时间断面的概率性光伏出力,依次进行潮流计算,并与恒功率光伏电源模型的潮流计算结果作对比.结合算例仿真,总结分析了光伏并网后对配电网稳态电压分布和电压幅值波动的影响规律,并验证了概率性分布式光伏发电模型相比于传统的恒功率模型更能够反映光伏电源出力的波动性和随机性.     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

基于自适应模糊时间序列法的光伏发电短期功率预测

针对并网光伏发电系统功率预测问题,提出一种基于自适应模糊时间序列法的并网光伏发电短期功率预测模型.根据光伏发电系统的历史发电数据,进行自适应算法处理,使数据结构与预测模型相适应,确定聚类数目、划分论域并定义论域区间.通过对历史数据进行模糊化处理,确定各模糊关系组,再计算各类模糊关系组的权重向量.按照模糊时间序列的方法进行光伏发电功率预测,并去模糊化得到实际预测结果.结果表明,对比时间序列预测法ARIMA模型,本文预测模型结果误差由13.66%减小到11.34%,并且在处理突变数据上有较大改进.     

风光互补发电系统的监督预测协调控制

针对风光互补发电系统的功率平衡与经济调度问题,基于模型预测控制理论提出一种监督协调控制方法。首先,针对风力发电的非线性特征,设计滑模变结构控制器,使其在全工况下可以很好地响应负荷变化;其次,设计光伏发电的滑模变结构控制器,对其进行最大功率点控制,提高光伏子系统的转换效率,降低光伏发电成本。在此基础上,基于风力发电优先、光伏发电配合、必要时蓄电池补充的原则,选择合理的目标函数,设计监督预测控制器进行协调控制,将监督预测控制器的输出作为各子系统的参考输入,对系统进行智能管理。研究结果表明:在复杂的气象条件和变负荷扰动下,所提出的监督预测控制方法可以合理地分配子系统的输出功率,既可满足负载的需求,还可限制子系统输出功率的过大波动,保护发电设备。