基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

基于相似日和交叉熵理论的光伏发电功率组合预测

为进一步提高光伏发电功率预测精度,提出一种基于相似日和交叉熵理论的光伏发电短期功率组合预测方法.首先采用模糊C均值聚类方法对历史样本数据分类,并提出一种基于隶属度的指标来选取相似日.然后采用最小二乘支持向量机、时间序列法和BP神经网络法分别预测光伏发电功率,通过交叉熵算法动态设置各预测时刻下单一方法的权重值,建立光伏发电功率的组合预测模型.算例结果表明,所提方法能够动态识别单一预测方法包含的信息量,能确定更加合理的权重值,从而提高光伏发电功率的预测精度.     

基于指数平滑法的灰色预测模型

光伏发电具有不确定性,在接入电网时会给电力系统的运行带来一定的负面影响,而光伏发电功率预测技术则可以有效地缓解此类随机能源对电力系统的影响。针对光伏电站输出功率的随机波动性和间歇性问题,提出了一种基于指数平滑法的灰色预测模型。分别用改进前和改进后的灰色预测模型对光伏发电功率进行短期预测,并将预测结果进行对比分析,结果表明:改进后的灰色预测模型有更高的预测精度,其预测结果与实际光伏功率值更加接近。     

复杂天气和地形下的地表太阳辐射估算模型及其在超短期光伏发电功率预测中的应用

为了研究表面太阳辐射估算模型在超短期光伏功率预测中的应用,并减少多云天气对预测的干扰,利用电荷耦合器件/红外光谱(CCD/IRS)数据对表面太阳辐射估计模型进行了优化,构建了一种有效的超短期光伏功率预测模型,并通过实验证明了它的可靠性。首先介绍了CCD/IRS数据的原理,接着在考虑云量影响的情况下改进了太阳表面辐射估算模型。分别选择了多云和无云2种不同的天气类型来验证估算模型。实验结果表明:与传统算法相比,所提出的地表太阳辐射估算模型在多云天气和复杂地形条件下具有更大的优势,可用于光伏功率预测;基于地表太阳辐射估算模型构建的超短期光伏功率估算模型可用于在无云天气下获得准确有效的预测结果,提出的预测模型在多云天气中的偏差也得到了显着的改进。表面太阳辐射估算模型对于超短期光伏发电量的准确预测和安全运行具有重要的参考价值。     

基于FA-PCA-LSTM的光伏发电短期功率预测

准确的短期光伏功率预测是调度部门合理制定发电计划、保证电力系统安全性和经济性的关键性技术.针对光伏出力可预测性低的问题,提出了一种结合因子分析(factor analysis,FA)、主成分分析(principal component analysis,PCA)和长短期记忆网络(long short-term memory,LSTM)的光伏发电短期功率预测方法.首先采用因子分析对多元数据序列信息进行分析,提取相关性较高的公共因子并优化样本.然后通过主成分分析对优化后的多元数据序列进行筛选,在充分利用序列信息的基础上降低数据规模和复杂程度.最后,利用LSTM网络对多元数据序列与光伏功率序列之间的非线性关系进行动态时间建模并预测.采用中国新疆某光伏电站的实测数据进行验证,算例分析结果表明所提预测方法的有效性.     

基于主成分分析和LightGBM算法的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析和GBM算法的风电场发电功率超短期预测方法。该方法首先进行PCA主成分分析将与风电功率相关程度低的维度剔除,降低数据的冗余性,然后利用GBM算法建模实现风电场发电功率的超短期预测。实验结果表明基于GBM算法的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期的功率预测上的精度。     

太阳能光伏发电与建筑一体化

太阳能光伏发电是新能源和可再生能源的重要组成部分,被认为是当前世界上最具发展前景的新能源技术.针对太阳能利用和建筑一体化这一新的课题,简述了太阳能光伏发电的工作原理,详细阐述了太阳能光伏与建筑集成系统的组成结构及其功能,并对太阳能光伏发电与建筑一体化的优点和存在的问题进行了详尽的分析.同时,根据目前我国太阳能光伏发电和太阳能光热利用技术日趋成熟的现实,提出了太阳能光伏发电与建筑一体化的发展方向,并预测了其未来的发展.     

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.     

太阳能光伏发电与建筑一体化

太阳能光伏发电是新能源和可再生能源的重要组成部分,被认为是当前世界上最具发展前景的新能源技术.针对太阳能利用和建筑一体化这一新的课题,简述了太阳能光伏发电的工作原理,详细阐述了太阳能光伏与建筑集成系统的组成结构及其功能,并对太阳能光伏发电与建筑一体化的优点和存在的问题进行了详尽的分析.同时,根据目前我国太阳能光伏发电和太阳能光热利用技术日趋成熟的现实,提出了太阳能光伏发电与建筑一体化的发展方向,并预测了其未来的发展.     

基于ANFIS的光伏输出功率超短期预测方法研究

光伏功率预测对于电网稳定安全运行及太阳能开发利用具有重要意义.根据天气预报信息,将天气划分为晴天、多云、阴天和雨天4种类型,并提出了在特定天气类型下基于自适应神经网络模糊推理系统(ANFIS)的光伏功率超短期预测模型.选取减法聚类算法形成初始模糊推理系统结构,有效避免了组合爆炸的问题.利用吉林省某高校光伏实验室的光伏功率数据进行实例分析,将该方法与多尺度持续法、多尺度滑动平均法和BP神经网络法的预测结果进行比较.结果表明,在不同天气类型下,前者的预测精度更高,验证了所提方法的有效性.     

太阳能光伏并网系统发电量预测方法

光伏发电受天文、气象、环境及自身组件特性的影响,发电功率的变化具有周期性和不确定性.并网光伏发电系统发电量的准确预测,可减小光电功率对电力系统安全、可靠运行的不良影响.国内外现有光伏发电量预测模型包括原理预测模型、统计预测模型、智能预测模型和基于不确定理论的预测模型等.通过分析太阳能光伏发电量预测研究状况和太阳能总辐射量预测的一般方法,总结了光伏发电量预测的现有预测模型的优缺点和适用范围,并对不同方法相互结合的组合预测法进行了展望.     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

基于改进微扰观察法的最大功率跟踪系统的实现

为了提高光伏系统的效率,需对光伏阵列进行最大功率点的跟踪控制.根据太阳能光伏阵列的输出特性,在传统微扰观察法的基础上采用了一种新的变步长的改进算法进行最大功率点跟踪,克服了定步长跟踪的弊端.利用AVR单片机设计了一台具有最大功率点跟踪功能的光伏发电电源系统,并对其进行了仿真.结果表明,该改进算法能够有效提高系统对光伏阵列的最大功率点跟踪的效率,说明该系统具有一定的实用性.     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

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。     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

改进GM（1，1）残差修正模型在光伏发电量短期预测中的应用

采用改进的GM（1,1）残差修正模型建立光伏发电量预测模型,从理论发电量和实际发电量两方面对5．6kW太阳能光伏发电系统的发电量进行预测．通过对比GM（1,1）模型和改进的GM（1,1）残差修正模型的预测结果,证明采用改进的GM（1,1）残差修正模型预测短期太阳能光伏发电量能够取得更好的预测效果．     

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。     

光伏发电发展状况分析与探讨

由于光伏发电具有清洁无污染、可再生等点,光伏发电的装机越来越多.本文分析了我国太阳能分布和光伏发电的现状,探讨了光伏发电的优缺点,并对光伏发电的发展前景进行了预测.