改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

基于气象因素充分挖掘的BiLSTM光伏发电短期功率预测

传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,该文首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

基于优化BP神经网络光伏出力短期预测研究

太阳能拥有丰富的资源,而且分布广泛,现已被广泛应用到各种应用中,光伏发电已是一种可靠可行、可扩展的重要可再生能源利用的方式,因此对光伏出力进行精准的预测意义重大;从宁夏市某光伏发电站获得了一年的光伏发电数据与气象等因素,选取四月至五月的数据进行研究预测;针对BP神经网络的收敛时间长,容易陷入局部极小值等缺点;建立单一BP神经网络预测模型,基于遗传算法(GA)优化BP神经网络的GA-BP预测模型与基于狼群算法(WPA)优化的BP神经网络的WPA-BP预测模型;选择平均相对误差作为误差评估指标,结果表明,3种预测模型均能对光伏电站的发电功率进行预测,但是单一的BP神经网络模型误差较大,晴天时,误差为5.1%,经遗传算法改进后的预测误差为4.9%,较单一模型提高了0.2%的精度,而WPA-BP预测模型误差为4.4%,预测精度高于前者;同时多云天和雨天的时候,均为WPA-BP模型的预测误差小,稳定性高,具有一定的研究价值。     

基于一种改进的BP神经网络光伏电池建模

由于光伏电池具有高度非线性特性,难以建模,而传统的数学模型难以满足光伏控制系统设计和应用的要求。该文利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络技术应用到光伏阵的建模中,避开了该模块内部的复杂性。模型以太阳能日照、温度以及负载电压作为神经网络辨识模型的输入量,光伏阵输出电流为输出量,采用改进型BP算法,建立了光伏电池的动态响应模型,然后预测了最大功率点。文中给出模型的结构,训练步骤和仿真结果。仿真结果表明,方法可行,建立的模型精度较高,从而为设计光伏实时控制系统奠定了基础。     

基于RBF-BP神经网络的光伏MPPT研究

针对光伏电池的输出特性受光照强度、温度等因素的影响而具有的非线性特性的问题,为了提高光伏发电系统的发电效率必须对其输出功率进行追踪,并且为了克服MPP追踪过程中收敛速度慢和精度低的缺点,提出了一种RBF-BP组合神经网络对光伏阵列最大功率点追踪的算法。首先通过对光伏电池输出特性的研究,确定了温度和光照强度是影响光伏电池最大功率点输出的主要因素。然后考虑这两个因素作为RBF-BP组合神经网络的输入来设计光伏阵列最大功率点追踪系统。最后,利用Matlab建立该系统的仿真模型,并进行仿真研究与分析。仿真结果表明,该系统具有最大功率点追踪的精度高,响应速度快等优点。从而有效地实现了对光伏最大功率点的追踪,提高了光伏发电系统的发电效率。     

自适应BP神经网络在日最高气温预报中的应用

气象数据规模飞速增长,BP神经网络由于其强大的非线性系统拟合能力,在气象数据尤其是气温相关数据的分析和预测中得到广泛应用。考虑到气温数据的海量规模,采用传统BP神经网络的预报面临误差收敛速度慢、容易陷入局部极小等问题,从而严重影响预测的效率和精准度。本文以BP算法为基础提出了一种改进的学习率自适应算法建立BP网络预报模型,并针对气象数据的多维性和周期性提出了优化方案。实验结果表明该方法可以高效的完成最高气温的预测,并且相对传统算法拥有更高的预报精度。     

融合时空特征的光伏气象因子预测模型

光伏发电极易受到天气的影响而具有波动性和不确定性,因此对气象因子的准确预测对光伏电站的运维具有重要意义。提出了一种基于深度学习的时空特征融合模型,实现对光伏气象因子的精准预测。在时间维度上,设计了一种改进的长短期记忆模块,融合注意力机制和遗传算法,得到最优注意力参数以提高预测精度;在空间维度上,将光伏电站所在区域按照经纬度划分,利用张量分解对区域内气象因子进行预测。在中国东南部某光伏系统的真实数据集上,对该模型的有效性进行了评估。结果表明,该模型在时间维度和空间维度均具有较高预测精度,同时对稀疏数据有较强的鲁棒性。     

基于机器学习的光伏输出功率预测方法研究

光伏发电机组容量在电力系统中的比重日益增大,预测光伏出力对电力系统调度具有极其重要的意义。因为影响光伏发电系统的许多因素随机性较高,使得预测工作难度加大。传统的预测方法对数据的依赖性较强,数据的完整性对预测过程影响很大,因此需要更严谨、便捷的方法使光伏功率的预测工作更加准确、实用。通过对光电站历史数据的探索性分析,对比多种回归预测模型,对影响功率的因素建立神经网络与非线性拟合的组合预测模型。仿真结果表明,组合分步法可以显著降低预测误差,对电网规划、提升新能源发电竞争力、优化调频具有一定的意义。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于多传感器系统的光伏并网发电功率预测

针对耦合性较强的多维气象数据,在光伏(PV)多传感器系统中获取有效数据的基础上,提出了一种基于雾霾因素影响的数据挖掘光伏发电预测方法.利用多传感器采集大数据,利用逐步选择法对多维变量进行约减,有效降低了不同天气因素之间的耦合性.通过混合高斯聚类算法对样本进行聚类,并分别建立不同的径向基函数(RBF)神经网络模型,经过模糊推理的方法选择适当模型,实际预测结果验证了方法的高精度和实用性.     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.