基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

支持向量机预测光伏发电系统最大功率的算法研究

户用光伏系统受外界环境影响较大,特别是局部遮阴或光照不均等情况下光伏阵列的P-V特性出现多个极值点,使得常规的最大功率跟踪算法失效.本文提出了基于支持向量机回归拟合的最大功率预测模型,对光伏阵列的最大功率点进行预测跟踪,用Matlab/Simulink对算法进行仿真实验.实验表明,预测模型具有较高的精度和效率,控制系统运行稳定,对于环境的变化有较好的响应能力.     

基于改进支持向量机算法的光伏发电功率预测

针对当前光伏发电间断性和随机性对电流影响较大的问题,基于改进支持向量机算法,提出光伏发电功率预测方法.通过灰色关联度优化气象影响因素参数,改进支持向量机算法,建立多气象因素协同约束的光伏电池等效模型,得到光伏电池的串联和并联电阻;将训练数据的总数映射到特征空间中,筛选数据并定义特征空间中的超平面,计算光伏发电的有效功率并降低误差.结果表明,预测结果与实际结果符合程度高,功率预测的绝对误差小,有效性和应用性得到验证.     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

基于支持向量机方法的金融时间序列研究

支持向量机是基于统计学的一种新型的机器学习和数据挖掘的技术,实现了结构风险最小化原则。由于金融时间序列是非平稳的、复杂的,非线性的,含有噪声数据,传统的方法很难得到满意的预测效果。提出了基于支持向量机的金融时间序列预测的方法,应用到我国上证180指数预测中,实验结果表明支持向量机方法对动态的金融时间序列具有较好的建模能力,达到了较好的预测效果。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机(SVM)的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

LS—SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型。依据实验数据对模型进行了验证计算．并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10．54％,平均绝对百分比误差（MAPE）为8．18％,绝对误差平方和平均值的均方根（RMSE）为0．4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力．可以有效地预测短期光伏发电功率。     

分布式光伏发电系统多峰值MPPT优化研究

针对实际应用中环境复杂性导致光伏阵列的输出呈现多峰值现象,而传统控制方法在此情况下存在无法持续高效的跟踪到最大功率点的难题,将优化的多峰值支持向量机函数和具备快速收敛特性的猫群算法相融合,提出一种基于自适应权重迭代收敛的改进型猫群算法(IMCGA),并用于解决局部遮阴情况下的多峰值寻优问题,从而实现太阳能发电系统的最大功率跟踪功能。通过搭建光伏电池的数学模型,分析局部遮阴情况下光伏电池的多峰值输出特性;通过详细分析IMCGA智能算法中自适应权重和变异算子的优化构造,阐述IMCGA算法在局部遮阴的光伏系统最大功率点跟踪的实现过程。最后,通过与一系列传统控制算法进行对比仿真实验,显示所提出控制算法的优越性。     

基于模糊控制的光伏电池最大功率点跟踪方法

针对光伏系统中最大功率点跟踪的问题,提出了一种基于模糊控制的最大功率点跟踪的方法,通过在Matlab/simulink上搭建光伏阵列模型、模拟电路以及模糊控制器模型进行仿真的实验手段,验证了采用模糊控制法相比传统定步长扰动观察法能消除最大功率点附近振荡功率损耗,且具有能兼顾跟踪精度和响应速度的优点.     

基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法.该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题.又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用.     

基于BOOST电路的PV最大功率点追踪仿真

在对光伏电池进行数学分析的基础上建立了数学模型,通过仿真分析了光伏电池输出电流和输出功率的变化规律.以电导增量法为基础,提出了基于BOOST电路的最大功率点追踪策略,并在MATLAB/SIMULINK里搭建了模型.仿真结果表明,这一方法可以很好地实现对最大功率点的追踪.     

基于遗传模拟退火算法的最大功率点跟踪研究

通过分析太阳能光伏发电系统的工作特征和现有的最大功率点跟踪(MPPT)方法,提出了一种基于遗传模拟退火算法的光伏发电系统MPPT方法.该算法将遗传算法和模拟退火算法相结合,通过将局部搜索过程引入遗传算法,从而使两种算法的搜索能力得到互相补充.针对某光伏发电系统的MPPT问题,通过仿真,将遗传模拟退火算法和遗传算法进行比较.仿真结果显示,遗传模拟退火算法和传统的遗传算法相比,能更快速、精确地跟踪到光伏系统的最大功率点.     

基于改进模糊控制的光伏MPPT策略研究

针对基于二维模糊控制的光伏系统最大功率点跟踪(MPPT)控制方法在外界环境急剧变化时响应较慢、输出不够平稳等不足,提出了改进的模糊控制算法.该算法在传统二维模糊控制的基础上增加了一个反馈输入量,改善了系统的动态性能.仿真结果表明,与二维模糊控制及常规扰动观察法相比,改进的模糊控制不仅能快速响应外界环境的变化,而且具有较好的控制精度.     

基于分段控制的光伏全工况MPPT研究

光伏(PV)阵列输出特性随运行环境及自身工况的变化而变化.为满足不同工况下最大功率点跟踪(MPPT)控制需求,在对光伏阵列各工况下输出特性进行分析的基础上,提出了一种改进量子粒子群算法(QPSO)与扰动观察法相结合的MPPT分段控制方法.在跟踪控制初期,采用非一致性自适应变异DCWQPSO算法进行最大功率点全局搜索,使功率点快速收敛至最大功率点附近,提高跟踪速度;在跟踪控制后期,采用闭环模糊控制扰动观察法进行最大功率点局部搜索,提高跟踪精度.Matlab仿真结果表明,该分段控制方法在光伏阵列各工况下仅需0.32 s即可完成MPPT,并保持稳定,比其他控制方法具有更快的跟踪速度及更高的跟踪精度,可有效提高光伏发电效率.     

基于模糊控制的光伏发电系统MPPT技术研究

为了有效利用光伏电池,弥补其比较低的光电转换效率,需要对光伏发电系统最大功率点进行快速准确的跟踪.在建立光伏发电系统MPPT仿真模型中,对基于模糊控制的MPPT问题进行了研究,通过在Matlab/Simulink下建立基于查表法模糊控制的光伏发电系统的仿真模型,以及对模糊控制的查表法中隶属度与规则的设计.仿真结果表明,该模型具有较好的响应速度以及较高的跟踪精度.     

复杂关照环境下光伏阵列MPPT算法

光伏阵列处于复杂光照环境时,其P-V（power-voltage）输出特性曲线会出现多个功率峰值点,传统的最大功率点跟踪（Maximum Power Point Tracking,MPPT）算法大多无法收敛于最大功率点,造成光伏阵列输出效率下降。为解决上述问题,首先对复杂光照环境下光伏阵列的输出特性进行了理论推导,建立了仿真模型,结合P-V特性曲线总结了功率峰值点的相关特性,提出了一种多重区间最大功率点跟踪算法。仿真结果表明,该算法能够快速、准确地跟踪光伏阵列的最大输出功率。     

基于滑模状态观测器的永磁风电系统最大功率点跟踪控制策略

为了提高传统风能最大功率点跟踪控制的鲁棒性,提出了新的滑模自适应最大功率点跟踪控制策略。由于实际无速度传感器的风电系统变量难以测量,为此构造了滑模状态观测器来估计系统的转速跟踪误差,并基于估计值设计了滑模自适应最大功率点跟踪控制器。最后,基于MATLAB/Simulink仿真平台搭建了完整的风电系统仿真模型。仿真结果表明,在不同风速扰动作用下,所提出的控制策略均能实现良好的跟踪和控制效果,提高了风电系统的鲁棒性,保证了风电系统的最大功率输出。     

基于最小二乘支持向量机的时用水量预测模型

针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力.     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.