基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于灰色BP神经网络的光伏发电系统最大功率点跟踪

为了提高太阳能的利用率,应使光伏阵列时刻都工作在最大功率点上。提出分别利用BP神经网络法与灰色BP神经网络法对最大功率点进行跟踪,对给定参数的光伏电池特性进行仿真分析,对建立好的BP神经网络通过Matlab编程进行训练,得到最优的训练系数,从而可以得到给定参数的光伏电池的最大功率点跟踪模型;计算出跟踪误差,再结合灰色预测方法对误差进行校正,进而得出误差较小的预测模型和最大功率点跟踪模型。计算结果表明,基于灰色BP神经网络法对最大功率点的跟踪迅速、准确。     

一种新型光伏阵列最大功率点预测模型的研究

光伏阵列最大功率点预测在光伏发电控制系统具有重要地位,由于光伏阵列受到温度、光强、阴影等非线性因素的影响,传统的解析方法难以获得理想的预测结果。研究了一种基于遗传算法改进的BP网络光伏阵列最大功率点预测模型,利用遗传算法的全局搜索能力,对BP神经网络的权值和阈值进行优化,有效克服了BP网络容易陷入局部最小的问题。仿真表明,基于遗传算法优化的光伏阵列最大功率点预测BP网络具有良好的泛化能力和一定的有效性。     

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。     

基于相似日理论和PCAＧPSOＧBP的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于相似日理论和主成分分析(PCA)-粒子群算法(PSO)-BP神经网络的光伏发电功率预测模型.考虑不同季节下发电功率差异较大,通过灰色关联度选取预测日的相似日,采用主成分分析法对影响光伏发电功率的因素进行降维处理,利用降维后的相似日气象数据和历史发电功率数据来建立PSO-BP预测模型.试验验证,该方法与单一BP神经网络、PSO-BP预测模型相比,功率预测精度得到提高.     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

基于神经网络的光伏发电系统输出功率预测分析

光伏发电具有较强的随机性和不确定性,在进行大规模并网的过程中,为了降低其对电网产生的影响,有必要对其发电功率进行预测,从而采取应对措施。对基于BP神经网络的光伏发电系统输出功率预测进行了讨论,采用历史发电数据对神经网络预测模型进行训练,从而对未来的发电功率进行预测,该方法相对于光伏发电的间接预测方法具有更高的准确度,希望能够为相关工作提供一定的参考。     

基于GA-BP神经网络的光伏阵列MPPT研究

为了有效提高光伏发电系统的最大输出功率,在综合考虑传统算法优缺点的基础上,研究一种基于遗传算法(GA)优化BP神经网络的光伏最大功率点跟踪(MPPT)方法。通过建立神经网络最大功率点预测模型,并将预测模型转化为可在Simulink中直接使用的模块,避免了使用传统的S函数控制方法。在Matlab/Simulink环境下进行了仿真验证,仿真结果表明在光照强度和温度迅速变化时,该新型算法较传统电导增量法明显缩短了MPPT的跟踪时间,并且有效抑制了系统在最大功率点附近的波动。     

基于博弈论赋权的光伏功率组合预测模型

针对单一预测方法的局限性,本文采用物理方法和统计方法相结合的预测方法,建立光伏发电功率组合预测模型,并在预测模型中考虑电站的限电及检修计划。采用理论功率法、基于改进相似日的BP神经网络法、基于改进相似日的支持向量机对预测日的光伏功率分别进行预测,通过提出的博弈论组合赋权法来计算各模型的权重。通过某光伏电站的实际数据验证,计算分析了预测误差,结果表明,通过组合赋权法得到的权重克服了单一权重的片面性,使得综合评价更合理、科学,在限电情况下仍具有较高的预测精度,对光伏发电系统的功率预测具有一定的学术价值和工程实用价值。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

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。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

BP-马尔科夫组合预测方法在光伏发电量预测中的应用

为提高光伏发电量预测的精度,提出一种以马尔科夫方法进行修正误差的BP神经网络预测模型,模型契合光伏发电功率特点,兼具BP神经模型及马尔可夫模型优点,既能利用较少数据建模,预报总体趋势,又适合于波动性较大的随机序列预报。首先介绍基本原理和算法,在此基础上阐述模型建立的具体过程,最后运用该模型对徐州协鑫光伏电站进行预测,结果表明新建模型预报精度高于BP神经网络模型,且该模型简单、计算量小,具有较好的可行性。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。