基于分层优化方法的BP神经网络光伏出力预测

为减小误差反向传输(BP)神经网络算法对光伏出力的预测误差,提出了基于实际BP网络拓扑结构的分层优化方法。该方法以温度关联性确定训练数据,结合小样本灰色算法对输入层数据变化趋势的发掘能力,实现了对BP网络输入层序列数学规律的有效筛选,利用粒子群算法优化隐含层的阈值和权重,强化了BP神经网络全局寻优能力,减小了预测误差,以遗传优化算法对输出层的阈值和权重进一步优化,改善了BP网络的预测精度。构建了BP网络分层优化模型并进行了算例分析,结果表明,所提出的分层优化方法能有效地减小预测误差,提高预测精度。     

基于相似日和径向基函数神经网络的光伏阵列输出功率预测

选取太阳辐照时间、辐照强度以及气温等影响光伏阵列输出功率的主要气象因素,根据相似日的输出功率具有较强的关联度,提出选择相似日的方法,设计基于相似日和径向基函数(RBF)神经网络的光伏阵列输出功率预测模型。选取最邻近的一个相似日与待预测日气象特征向量的差值作为RBF神经网络的输入变量,神经网络的输出值即为待预测日光伏阵列输出功率。以我国西北某地光伏阵列的实测功率数据对所提模型进行训练和验证,得到预测模型的平均绝对百分误差为13.82%,均方根误差为0.4054,验证了所提模型具有较好的精度。     

一种基于双通道CNN和LSTM的短期光伏功率预测方法

针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,经融合层融合送入长短期记忆网络(Long Short-Term Memory, LSTM)进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差(Mean-Absolute Error, MAE)减小了12.3%,均方根误差(Root-Mean-Square Error, RMSE)减小了3%,实现了更高的预测精度。     

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。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

基于改进BP神经网络的光伏发电预测模型

针对光伏发电系统的输出功率具有出力波动和随机性的问题,提出一种基于最大偏差相似准则的CGA-BP神经网络的光伏发电预测模型.模型引入混沌序列初始化种群,利用最大偏差相似性算法对GA算法进行改进,将优化后的GA模型对BP神经网络进行优化.仿真结果表明,该模型与其他模型进行比较,具有较高的预测精度和准确性.     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于功率预测的光储发电系统控制策略优化

高效的光储发电系统控制策略不仅可以提高系统的效率,还能平抑太阳能发电输出功率的波动、改善光伏发电的电能质量.提出了一种基于功率预测的光储发电系统优化控制策略.对光伏功率预测算法进行优化,将基于跟随行为的人工鱼群算法与BP神经网结合,利用基于跟随行为的人工鱼群算法优化神经网络的权值和阈值.利用优化后的光伏功率预测方法预测下一时段光伏的输出功率曲线并判断波动大小,将判断结果作为影响策略运行的主要因素之一,并根据不同的情况设计相应的工作模式.通过Matlab建模仿真,证明了优化后的控制策略能够更加有效地平抑光伏的输出波动.     

基于模糊C均值聚类的光伏组件发电量预测

光伏组件发电量预测是光伏系统发电量预测的基础,为此,基于模糊C均值聚类,针对3种典型天气,即晴天、阴天和雨天,结合向量给出了相应天气突变情况的判断方法,根据天气情况选取对应的光伏组件输出功率模型进行组件发电量预测,每次预测间隔为10 min。验证结果表明,优化的光伏组件功率输出模型和发电量预测方法预测精度高,晴天的预测误差为1.1%,阴天为3.76%,雨天为9.2%,复杂天气下为4.22%,验证了所提出的优化的光伏组件输出功率模型和发电量预测方法的有效性,满足功率预测误差要求。     

基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

A Power Output Estimate of Cylindrically Shaped Flexible Photovoltaic Module with Polygonal Approximation

Flexible photovoltaic (PV) modules have received a great deal of attention for use in PV systems. At present, the most important issue to be resolved is the optimum shape of flexible PV modules for obtaining maximum power output. A design tool specifically tailored for the flexible PV module is required for this purpose. In the present study, a new method is proposed for estimating the power output of a cylindrically shaped flexible PV module, taking into account the uneven irradiation and temperature that occurs for a curved surface. The average irradiation over the area of the entire module is used in the equation of the proposed method. The temperature is calculated based on the root mean square (RMS) of the irradiation over the area of the entire module. The average and RMS of the irradiation are calculated based on the directional dependence of the global horizontal irradiance. The estimated and measured power outputs are compared. The error rate of the total power output is 2.6%, and the mean absolute percentage error of the power output is 6.8%. The proposed method can reduce the amount of calculation to compare with a conventional method having the same mean absolute percentage error.     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R²高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。     

基于数值特性聚类的日前光伏出力预测误差分布模型

光伏出力预测误差难以避免且不容忽视,预测误差分布的准确描述有利于电力系统的优化调度和稳定运行。基于此,分析预测误差分布与其影响因素之间的相关性,提出一种基于数值特性聚类的日前光伏出力预测误差概率模型。利用模糊C均值聚类法对预测误差的整体水平进行分类,再依据预测出力的数值特性进行分区处理,并建立了适用于估计误差分布的通用型高斯混合模型。该分析方法综合考虑了气象因素和预测出力数值特性对预测误差的影响,可以较为准确地估计不同时刻的预测误差,给出预测误差分布的置信区间,且不受预测算法和光伏电站地理信息的限制。基于比利时和中国西北地区光伏系统历史数据的分析结果表明,所提误差模型可描述光伏出力预测误差分布偏态性和峰度多样性,效果优于其他分布模型,能够用于描述不同情况下的日前光伏出力预测误差分布。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

具有无功补偿功能的单级式三相光伏并网系统

随着光伏发电技术的推广应用,具有无功补偿功能的光伏并网系统对于减轻电网负担、改善供电质量具有重要意义.本文提出了一种具有无功补偿功能的单级式三相光伏并网系统.该系统实时检测太阳能电池输出电压和电流、电网电压和负载电流,在实现太阳能电池最大功率点跟踪(Maximum Power Point Tracking, MPPT)的同时,还能够实时补偿本地负载的无功电流.由于采用了改进的干扰观测法,MPPT算法的稳定性得到了改善;在逆变控制中应用了单周期控制(One-Cycle Control, OCC)PWM算法,从而提高了控制精度,减小了输出电流的纹波含量.文中给出了仿真和实验结果,验证了设计的合理性.     

最小二乘支持向量机在光伏功率预测中的应用

为了减少光伏发电的随机化问题对电力系统的影响,建立了基于最小二乘支持向量机的光伏功率预测模型,提前1h进行功率预测,根据储能补偿光伏输出期望值与实际输出的差额,优化储能安装容量。介绍了一种反映云层变化信息的地表太阳辐射量预测模型。采用光伏阵列的发电量、地表太阳能辐射量和气温序列分别按统一建模和时间序列建模2种方案建立了最小二乘支持向量机模型,并对训练好的模型在不同日类型下进行了测试和评估,验证了该模型和算法的有效性。结果表明,该模型不仅能够解决光伏发电的随机化问题,而且能有效减少储能安装容量。     

基于自适应扩散核密度估计的时序相关概率最优潮流计算方法

为准确评估光伏与负荷的时序性和相关性对电力系统运行状态的影响,提出一种基于自适应扩散核密度估计的时序相关概率最优潮流计算方法。首先,利用光伏出力的自适应扩散核密度估计模型将高斯核函数转换为线性扩散过程,采用渐进积分误差法(asymptotic mean integrated squared error,AMISE)为扩散核函数选取自适应最优带宽,提高了光伏出力模型的局部适应性;其次,利用Copula理论构建光伏与负荷的时序联合概率分布模型,并获取具有相关性的时序光伏出力与负荷样本,进而提出能够准确计及光伏与负荷时序性和相关性的概率最优潮流计算方法;最后基于我国某地光伏电站实测数据与IEEE30节点系统进行仿真分析,验证了所提出计及光伏出力与负荷时序相关性的概率最优潮流计算方法的准确性与有效性。     

考虑大规模光伏电站接入的电力系统旋转备用需求评估

光伏发电系统出力的随机性与间歇性,使得电力系统的运行风险在大规模光伏电站并网后迅速增加,传统的旋转备用需求评估方法已经不能满足含光伏电站的系统运行要求。文中建立了太阳辐照度和光伏发电系统出力的概率分布模型,并采用拉丁超立方采样模拟光伏发电系统的出力场景;利用基于Huffman树的改进K-means聚类算法对光伏发电系统的出力场景进行有效聚类,在保证光伏发电系统出力分布特性的前提下减少了场景数量;在此基础上,提出了考虑大规模光伏电站接入的电力系统旋转备用需求评估模型,以系统综合运行费用最低为目标,兼顾了运行的经济性和可靠性。基于改进的IEEE-RTS 96系统,对所提模型进行了仿真分析,算例结果验证了模型的合理性和有效性。     

Effect of PV Output and Load Power Forecast Error on Operation Design of PV System with Storage Battery

In the past, we have proposed battery operations in a photovoltaic (PV) system using PV output and load power forecasts. In the proposed method, we utilized multiobjective optimization for a residential area model that includes a large number of PV systems with storage batteries. To practically demonstrate that the proposed operation effectively improves economic and environmental efficiency, it is indispensable to evaluate the effects of forecast error on the operation design of a PV system with storage battery. In this paper, we propose a method for evaluating the robustness of battery operation taking account of the statistical characteristics of forecast errors. Some numerical examples, which show the validity of the proposed method, are also presented.     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。