基于mRMR-ESN的单变量光伏功率预测

设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR) 方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络( echo state network,ESN)对未来5min的光伏功率进行仿真预测.仿真结果表明,采用mRMR方法对历史光伏功率数据进行特征提取,确定能够使预测模型达到最优效果的特征子集,并将其作为单变量预测模型的输入,可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.     

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。     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题，提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数，并对原始气象数据进行特征选择。将特征选择后的结果作为输入，对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测，结果表明：该方法能充分利用预测时刻之前的气象时间序列，有效提高光伏功率预测精度，与RF-LSTM方法、单一LSTM方法相比具有更高的准确性，预测误差更小。     

基于主成分分析线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.     

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。     

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。     

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.     

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。     

2010—2012年河南省驻马店市短历时强降水的形成原因及物理模型的建立

针对驻马店2010—2012年出现的54次短历时强降水过程,研究了其时空分布特征、天气背景和环境条件,从形成机制上将其分为暖区对流系统和锋面对流系统两类,同时对短历时强降水的天气雷达产品如反射率因子、径向速度场、垂直积分液态含水量、风暴跟踪信息等特征进行了详细的分析,并以此建立短历时强降水的物理模型;对预报中的失误之处进行反查,整理出了此类天气的天气模型和预报思路,为以后准确预报短历时强降水天气提供科学借鉴.     

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。     

公共建筑光伏系统太阳能利用潜力评价

面对不断增长的能源需求及减少碳排放的双重挑战,提高城市可再生能源利用率,降低建筑能耗,发展光伏建筑一体化应用,实现建筑与新能源产业的融合发展显得非常重要.本研究选取包商银行公共建筑光伏系统,依据内蒙古包头市独特的气候特征,利用Ecotect求取典型建筑表面全年太阳辐射模型,基于最优系统配置方式,从高峰期能源潜力、经济潜力、社会潜力3个维度构建了光伏建筑太阳能利用潜力评价模型,对包商银行光伏系统太阳能利用潜力进行评价.研究结果表明:在极端气候期间,包商银行光伏系统以总电力需求的12.5％来缓解高峰期当地电网的压力,将用能高峰延迟了2 h;光伏系统25 a生命周期净收益104.66万元,基于光伏系统单位造价为7.9元/W,上网电价0.8元/kWh的情况下,系统投资可在5.15 a内收回,且单位造价、政府补贴与投资回收期之间具有三维耦合关系;光伏系统寿命期内的环境效益为0.096元/kWh,社会效益为11.93元/kWh.此评价模型为城市中光伏建筑的推广及光伏产业政策的制定提供借鉴.     

考虑节点异质性和故障函数的电力信息物理系统风险传播模型

由于电力信息物理系统的耦合建模方法大多数依赖网络拓扑结构划分节点类型,未考虑节点信息的属性,同时也忽略了不同节点类型对风险传播的影响,削弱了对风险预测的能力。因此,提出了一种考虑节点异质性和故障函数的电力信息系统风险传播模型。首先对实际电力网络节点特性以及耦合性特点进行分析,结合节点异质性提出双网节点的表征方法,基于双网物理和逻辑依赖关系,设计了电力信息物理融合系统(cyber physical systems, CPS)表征模型。在此基础上,考虑双网状态交互影响的方向性及节点的依赖性,分析影响风险传播的因素,通过定义基于节点度的故障概率函数,构建了电力CPS风险传播模型。以合成网络和意大利真实数据所建立的耦合网络进行实验分析,证明模型的有效性。     

基于天气聚类的光伏电站辐照度预测

太阳辐照度是影响光伏输出功率最直接、最显著的因素,其预测精度关系到电力系统部门的调度以及规划.受到地理纬度、海拔高度、气候复杂性的影响,传统地表辐照度预测模型精度较低.基于辐照度的天文学模型结合天气类型进行辐照度预测,通过建立太阳光照与地球大气层的几何模型,求解地外辐照度计算公式并修正晴天透明度系数,然后依据天气类型与历史辐照度进行聚类分析,计算相应的权重系数,建立基于天气聚类的太阳辐照度预测模型.通过实测数据验证,与传统的晴天模型、递推最小二乘法(recursive least square,RLS)模型、小波变换(wavelet transform,WT)模型、相比,天气聚类模型的适应性更强、准确率更高、误差更小.     

基于电波暗室的舰船电磁兼容性模型预测

针对开阔试验场进行电磁兼容性船模试验易受环境影响的缺点,提出了基于电波暗室的船模预测新方法.根据电磁缩尺模型理论,推导出预测天线端感应电压、天线耦合度2个重要参数与缩尺比之间的关系,以模型天线近场测量为重点,介绍了模型预测的实现.理论分析和试验比较表明,利用电波暗室作为模拟场地进行船模预测是可行的,它具有全天候、环境好的特点.