考虑误差非独立性的电力系统参数辨识估计

确定量测量间的误差传递特性是建立精确量测模型的重要前提。实际量测系统中量测量由所有单相遥测数据构成,在各母线上分析量测误差间的相关性,计算符合遥测数据实际采集特征的量测误差协方差阵。提出了考虑量测误差相关性的电力系统参数辨识估计,利用加权残差率绝对值求和的方法辨识出参数误差支路,采用改进增广状态量法进行参数估计,逐一修正参数误差,利用状态估计结果验证参数辨识估计准确性。IEEE算例仿真结果表明,所提出的算法较传统参数估计结果更接近于系统真值,同时提高了状态估计的精度     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

基于CERES数据分析中国云对地表太阳辐射影响特征

用于地面光伏发电的太阳辐射资源受到云影响所产生的变化,由于受到观测方式限制而对其特征及关联性探究不足。针对该问题,利用CERES卫星观测时空数据,对2001—2018年中国大陆地区云对地表太阳辐射量影响特征进行分析,利用不同高度云量与云太阳辐射强迫时空分布特点,讨论云影响的太阳辐射差异对光伏出力预计影响,并通过各高度云量趋势变化与云太阳辐射强迫关联关系给出相应太阳辐射资源与光伏出力的趋势变化估计,分析云主导的太阳辐射趋势变化成因,以期为未来新能源资源评估、光伏建设规划和电力优化调度等提供支撑与参考。     

基于主成分分析与WOA-Elman的锂离子电池SOH估计北大核心CSCD

准确估计锂离子电池健康状态(state of health,SOH)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度,然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升SOH估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的SOH估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的SOH进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池SOH,并且具有更好的泛化性能。     

计算昆明水平地面上月总太阳辐射量的经验公式

采用昆明部分年代的气象观测资料和太阳辐射实测数据，选取可能与月总太阳辐射量有关的参数，进行逐步线性回归，得到了计算昆明水平地面上月总太阳辐射量的几个经验公式，计算值与实测值的误差一般在１０％左右。     

基于风云卫星数据的新疆太阳能资源潜力评价方法研究

利用风云二号(FY-2D)和风云三号(FY-3A)气象卫星上搭载的可见光辐射自旋扫描分析仪和中分辨率光谱成像仪等传感器数据,基于大气辐射传输原理建立地面太阳直射与散射辐射反演模型,并用来对新疆地区每小时的直射和散射太阳辐射能进行估算;再用地面气象观测站点数据对反演结果进行精度评价。结果表明,所提出的方法能较好地估算新疆地区高时间分辨率的地表太阳辐射,为该区域太阳能资源的利用提供基础数据支撑。     

基于MLP-Garson模型的分钟尺度太阳辐照直、散射分离建模与验证研究

为模拟分钟尺度的太阳辐射波动,根据江苏省常州市2018—2021年逐分钟辐射数据,采用Garson权重算法优化模型输入特征,并引入前10分钟的清晰度指数k_t时序数据作为附加特征,建立基于时序数据与MLP神经网络的分钟尺度新分离模型。在此基础上,对Engerer2模型、Starke模型和Yang模型3个最新提出的分钟尺度分离模型进行参数本地优化,并设计测试实验验证。验证结果表明：采用时序数据与MLP神经网络的新模型可有效提取短时间内的太阳辐射波动信息,新模型的归一化均方根误差(e_nRMSE)为10.690%,新模型精度较Yang模型提高了17.08%。     

基于信息熵的水文站网优化研究

站网优化的准则是选择站点的最优数量和位置,使其提供信息的能力最大。基于美国密苏里河流域3个子流域的水文站网在2011年10月~2012年9月获取的日均流量数据,采用信息熵理论对站点的边缘熵值及站点间信息传递量进行定量评价,并建立站网优化的目标函数对站点进行优选。结果表明,选择的站点组合提供信息的能力随站点数的增加先增加后减小,当优选出的站点组合提供信息的能力最大时其数量比原有站点数减少约20%~30%。     

晴空模型在北方地区的适用性研究——以甘肃、河北部分地区为例

为了研究晴空模型在中国北方地区的适用性，采用北方地区7个站点的逐分钟太阳总辐射数据以及MERRA-2分析数据，选取Reno方法筛选晴空时段，之后选取11个统计量对7个晴空模型的性能进行评估，并采用主成分分析方法对模型进行排名。结果表明：模型综合排名由高到低依次为MAC2、REST2V5、BIRD、INEICHEN、IQBAL-C、sSOLIS、ESRA。Dong MAC2和REST2V5模型计算晴空条件下的太阳辐射准确率较高，在北方地区的适用性较好。     

神经网络模型在逐时太阳辐射预测中应用

设计了一种基于遗传算法的神经网络太阳辐射预测模型。该模型结合了历史逐时辐射数据和气象要素数据,并在训练和预测时加入了温度日较差和天气类型预报参数。还设计了预测因子选择方法、输入资料的处理方法和结果误差评估方法。利用武汉站2007年至2008年8月辐射数据对模型进行了训练,并对2009年8月的逐时辐射进行了诊断预报。预测结果表明,预测模型在天气类型稳定的情况下具有较高的精度,能够反映太阳辐射的日变化状况和辐射量级大小,但在天气类型剧烈变化的情况下预测精度有限。     

根据辐射数据估计可利用太阳能

在我国,专为太阳能利用进行的辐射测量几乎还没有。文献中虽然对太阳辐射能进行估计有各种各样的方法,但这些都是根据纬度、海拔、温度、湿度、云遮系数等地理、气象参数进行估计的,计算公式都是间接的、经验的、有些是有地区限制的。如果根据辐射测量数据直接对可利用太阳能进行估计,可能会更接近实际一些。本文的目的并不是要提出一种     

基于典型气象条件的风光互补系统容量优化

采用当地风速和辐射强度等气象因子日变化典型特征曲线为基础数据,以风光互补发电系统日输出功率曲线最接近当地负荷曲线为最优化目标,以风电和光伏装机容量为变量,建立一种并网风光互补容量优化配置模型,旨在提高清洁能源占比和利用效率。利用武汉某区域用电负荷数据和该区域测风塔风速数据及太阳辐射数据进行算例分析,结果验证了所提出优化配置模型的可行性。     

一种改进的太阳辐射MOS预报模型研究

通过对常规MOS(Model Output Statistics)方法进行一定改进,建立改进的太阳辐射预报模型,达到提升预报效果的目的。考虑到大气对辐射的削弱作用,将实际辐射转换为清晰度指数,去除了天文辐射的影响;另外,由于不同天气类型条件会对太阳辐射产生较大影响,在进行建模之前利用Fisher判别分析方法对天气类型进行分类,将同季节同时次同天气类型的要素进行归类分析;同时,考虑到太阳辐射的季节性变化和日变化特征,影响太阳辐射各要素的权重会有所变化,建立不同季节、不同时次的预报模型;最后,考虑到系统误差的延续性,将建立的初时次模型预报值与实际值的误差作为其他时次的一个因子变量,建立后续临近时次预报模型。结果表明:所建模型的模拟值能反映实际的太阳辐射变化情况,达到建模要求;对比常规的MOS方法,改进的MOS模型在拟合期的平均绝对百分比误差(MAPE)降低约20%,可明显提升预报效果;以2012年8月份作为预报期进行模型预报评估,预报期的平均绝对百分比误差(MAPE)为28.33%,相对均方根误差(r RMSE)为16.20%,模型预报效果较好。     

太阳辐射直散分离模型的改进及应用

获取太阳散射辐射是太阳能资源评估和并网光伏系统设计的必备条件,鉴于近年来地表太阳辐射特征发生了显著变化,先前的太阳辐射直散分离模型已无法真实反映太阳辐射的变化规律,提出一种散射比（Hd/H）的估算方法。以北京市、上海市和武汉市为例,先根据三地10年实测辐射数据对Erbs模型进行本地化修正,再引入日照百分率（n/N）建立了拟合效果较好的Hd/H回归方程,然后用三地2011年逐月太阳辐射和日照时数等实测数据校验模型的准确性,对4种直散分离模型进行了误差分析。结果表明,采用双变量模型估算精度更高,大部分月份的相对误差均在10％以下。新建模型符合当地实际的辐射特征,对光伏系统的设计具有指导和借鉴参考意义。     

利用神经网络估算太阳辐射

太阳辐射是一项对太阳能利用，建筑能耗分析和农业等十分重要的气象数据，本文建立了日总太阳辐射月均值的神经网络估算模型，在此基础上利用北京市1971年至1995年的气象数据资料对神经网络进行了训练，用1996至2000年的数据对神经网络的估算进行了检验，并与其它经验模型的估算结果进行了对比，结果表明神经网络的估算结果与实测值吻合的较好，并且精度高于其它经验模型。因此利用神经网络来估算太阳辐射具有很好的应用前景。     

复杂地形区晴空太阳辐射模型构建与应用

以昆仑山提孜那甫河流域为研究区,利用中分辨率成像光谱仪(MODIS)提供的大气数据基于Iqbal Model C模型估算晴空大气透射率空间分布,并引入地形开阔度(SVF)和遥感地表反照率数据分别用于估算散射辐射地形阻挡以及反射辐射反照率系数空间分布,最后结合Kumar模型的直接辐射地形阻挡模拟过程,实现对Kumar模型的改进,改进后模型综合考虑了大气以及地形对太阳辐射的影响。利用改进后模型对研究区地表太阳辐射时空分布进行模拟和分析,基于地面气象站点观测数据对模拟结果进行验证。结果表明：模型估算值与站点观测值存在很好的一致性,相关系数R²为0.96,平均绝对误差(MAE)为1.47 MJ/m²,平均绝对相对误差(MARE)为12.26%。春季、夏季以及秋季模型的模拟精度较高,冬季模型的模拟精度较低,可能的原因为冬季MODIS大气数据有所低估。     

基于特征优选与改进极限学习机的锂电池SOC估计北大核心CSCD

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

葵花-8卫星辐射数据的精度评估及其在光伏电站的应用研究北大核心CSCD

为验证葵花-8卫星辐射数据的质量,文章利用9个中国气象局标准气象站的辐射计观测数据,分别对葵花-8卫星的逐时太阳辐照度、日总太阳辐射量及典型月的日累积太阳辐射量进行了比较。首先,基于晴空因子参数,将卫星和气象站观测数据按照天气类型,分为晴天、多云和阴雨天3类数据,对不同的天气分组数据,分别计算卫星和气象站观测数据的相关系数和平均偏差的分布特性。对比结果表明,9个站点的卫星和气象站的日总辐射数据的平均相关系数为0.98,平均偏差为29.3 W/m^(2)。葵花-8卫星数据和气象站观测数据的相关性较高,平均偏差较低,因此卫星辐射数据可以近似代替地面辐射计,应用于光伏电站的发电量分析、智能运维等场景。通过对4个光伏电站的辐射计数据和卫星辐射数据进行对比,发现个别电站的辐射计数据和卫星辐射数据存在很大的系统偏差,说明电站的辐射计数据可能存在问题。卫星辐射数据可以辅助光伏电站进行辐射计故障的主动筛查,为光伏电站的智能运维提供了数据依据。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。