蚁群算法优化RBF神经网络的光伏发电MPPT

针对如何提高光伏电池最大功率点预测跟踪精度的问题,讨论了光伏电池非线性输出特性。在此基础上,建立基于RBF神经网络的光伏电池最大功率点预测跟踪模型,以光照强度和温度为模型的输入,光伏电池的最大功率点电压为模型输出,并将RBF神经网络的中心参数采用蚁群算法进行优化,从而实现最大功率点预测跟踪。仿真结果表明,该方法比传统的RBF神经网络方法具有更高的预测精度,能更好地预测跟踪光伏电池的最大功率点。     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

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。     

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。     

光伏电站短期功率区间预测

为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围.提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型.利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列.借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果.以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验.结果表明,CEEMDAN-PE-IALO-KELM模型的区间预测结果准确性和可靠性更高.     

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于跟踪偏差角和改进迭代误差修正的光伏功率预测优化策略

随着光伏发电逐渐接入电网,电网对光伏功率的预测精度也提出了更高的要求。针对双轴太阳能自动跟踪系统实际运行中存在的跟踪偏差角以及采用传统迭代误差修正思想进行多模型预测时存在的误差异常值,提出一种基于跟踪偏差角和改进迭代误差修正的光伏功率预测模型。首先,建立改进迭代误差修正模型;然后,利用改进迭代误差修正模型对功率预测进行一层优化;最后,结合跟踪偏差角完成对光伏功率预测的二层优化。仿真结果表明,所建立的光伏功率预测模型能使功率预测精度提高5%左右,弥补了单一模型存在的不足。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

基于PSO-RBF的绝缘子等值附盐密度预测

等值附盐密度是确定污秽等级的主要依据,但它易受气象环境的影响,且测量只能离线进行。针对等值附盐密度预测中各相关因素的模糊性和随机性的特点,采用了RBF径向基神经网络的方法,建立了以泄漏电流有效值、相对湿度、三次谐波占基波的比例、脉冲频次等4个变量作为输入参数,等值附盐密度作为输出的智能预测模型。采用PSO粒子群优化算法优化RBF径向基神经网络的隐层中心和宽度,并通过迭代得到了隐层个数。在Matlab平台下进行了预测仿真,验证了该模型的可行性,对绝缘子的污秽状态评估具有一定的参考价值。     

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

PCA和GA-PSO-RBF集成的发电机组远程故障诊断

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。     

考虑网损的配电节点电价模型及迭代计算方法

在分布式电源装机容量快速增长的背景下，建立本地电力市场可促进分布式机组出力的消纳和配电网的优化运行。文章提出了适用于本地市场竞价出清的配电节点电价（distribution locational marginal pricing，DLMP）模型，将其分解为有功价格分量、无功价格分量、网损价格分量、电压支撑价格分量以及阻塞价格分量，可量化各分量对节点电价的贡献。同时采用迭代算法对该模型进行求解，通过市场出清模型与交流潮流的迭代计算克服线性化节点电价模型对预设网损因子的依赖。通过对IEEE 33节点配电系统的仿真分析，验证了所提模型的有效性和所提算法的准确性。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。