基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

采用正则化极限学习机的短期风速预测

摘要： 高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机（regularized extreme learning machine,RELM）的风电场短期风速预测新方法。首先,采用自相关函数（ACF）对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果。采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。     

基于GA-ELM神经网络的逐时太阳辐照量预测

摘要： 太阳能辐照量是影响光伏发电的主要因素,准确的太阳能辐照量预测对于光伏发电具有重要的作用。为提高预测模型对环境因素的敏感性与预测精度,提出基于遗传算法（genetic algorithm,GA）改进极限学习机（extreme learning machine,ELM）的太阳辐照量预测方法。首先,选取与太阳能辐照量相关的候选属性因素,确定输入变量;其次,以2009年到2014年与待预测日相同日期前后15 d范围内数据为训练集;再次,采用GA优化ELM的隐含层输入权值及偏置向量;最后,采用优化后的GA-ELM模型,开展逐时太阳辐照预测模型。实测算例表明,相较ELM、BP神经网络,新方法具有更高的预测精度,能够适应外界气象条件突变情况下的辐照预测需要。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于BP和RBF神经网络的乙烷脉动热管对比研究

为研究BP和RBF神经网络对脉动热管热阻的预测及改善脉动热管性能,将加热功率、倾角及工作温区作为输入参数,热阻作为输出参数,建立BP和RBF神经网络模型。利用大量实验数据对BP及RBF神经网络进行训练并预测,将预测值与实验值比较,以验证BP和RBF神经网络预测性能。结果表明:BP和RBF神经网络均能较好地预测热阻;采用RBF神经网络,训练数据及测试数据线性回归决定系数R~2分别为0.999 44和0.969 76,预测结果相对误差分别为0.89%和2.97%,均方误差分别为1.43×10~(-7)和3.13×10~(-6);与BP神经网络相比,线性回归决定系数R~2更接近1,相对误差和均方误差更小,能更精确地预测热阻。     

基于小波神经网络的光伏系统发电量预测

针对光伏系统发电量的影响因素,建立具有超强泛化能力的小波神经网络短期发电量预测模型。以相同日类型条件下的光伏系统发电量、环境温度、光板温度、相对湿度的历史数据作为样本,对模型进行训练和发电量预测。通过小波神经网络模型和BP神经网络模型预测结果的对比分析表明:小波神经网络模型训练次数少,收敛速度快,预测精度高。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

计及相似日的LSTM光伏出力预测模型研究

为了提高光伏电站输出功率的预测精度，该文构建基于灰色关联度分析法（GRA）和长短期记忆神经网络（LSTM）的光伏发电组合预测模型。在运用GRA方法确定影响光伏出力的主要气象因素和选定待预测日的相似日的基础上，利用相似日的气象参数和实际发电量分别训练BP神经网络和LSTM神经网络，构建基于GRA的光伏出力智能预测模型，并在云南某光伏电站得到很好的应用。对比传统的单一预测模型和BP神经网络与GRA的组合模型，考虑相似日的LSTM预测模型的精度明显提升，可很好地满足相关要求，具有广阔的应用前景。     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

碟式太阳能集热器出口空气温度预测研究

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度,采用遗传算法优化BP神经网络模型,建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测,并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

集对分析在改进BP神经网络凌汛开河日期预测评估中的应用

为客观和有效地定量评估BP神经网络凌汛开河日期预测模型,以黄河内蒙段三湖河口站冰凌开河日期为例,采用粒子群算法、遗传算法及小波分析理论对BP神经网络进行改进,并以集对分析理论的同一性、差异性和对立性对改进预测模型的数据集合建立评估模型.评估结果表明,集对分析与平均相对误差精度相比能更合理地反映模型预测效果.     

煤层气发动机稳态排放预测模型的辨识建模研究

基于排放测量数据，采用量化共扼梯度法（SCG）建立了煤层气发动机的BP神经网络排放预测模型．检验结果证实了模型的准确性。为全面了解煤层气发动机的排放特性和制定合理的排放控制策略，借助于该模型，通过模拟研究对发动机的排放性能进行了预测，并分析了预测结果。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。