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。     

基于BP神经网络太阳影子定位问题研究

对于直杆太阳影子的定位问题,根据地理知识建立太阳影子和各个物理量之间的函数关系模型,在该模型的基础上利用BP神经网络良好的非线性拟合能力和自学习能力,由直杆太阳影子反演出直杆可能所在地理位置和所测日期。     

基于模块化多电平换流器电容均压控制的环流抑制策略

针对模块化多电平换流器(modular multilevel converter,MMC)子模块电压波动导致相间环流过大的问题,在设计MMC子模块均压的基础上,提出一种将低通滤波器与并联的多个准比例谐振(quasi proportional resonant,QPR)控制器结合的新型环流抑制器.首先介绍MMC基本拓扑结构及分析MMC桥臂子模块电压波动与桥臂环流的机理关系,然后提出基于MMC电容均压控制的环流抑制策略,最后在Matlab/Simulink中验证该方案的有效性与可行性.仿真结果表明,MMC子模块电容电压波动幅度较小,并且MMC中高频与低频环流均在合理范围之内.