改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

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。     

用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响.为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性.结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1％,较灰色模型与BP神经网络算法分别降低了 90.4％与57％.改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据.     

基于神经网络的油田光伏发电预测方法

针对油田大规模发展光伏发电时,电网输出功率不稳定的问题,提出了基于神经网络的油田光伏发电预测方法。首先,对光伏发电数据进行归一化和反归一化的预处理;其次,构建带有输入层、隐含层以及输出层的BP神经网络预测模型;最后,根据光伏发电数据的对比序列和参考序列得出每个时刻的光伏数据权重,根据权重提取数据并代入预测模型,实现油田光伏发电预测。结果表明,所提方法的预测精度较高。     

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。     

基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测

为提高光伏发电功率预测精度，提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集，通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷，提出一种改进的自适应混沌变异粒子群算法(IPSO)来优化Elman神经网络，将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型，对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析，结果表明，IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。     

考虑多因素影响的光伏发电功率智能预测研究

为了提高光伏发电功率预测精度，减少光伏发电功率预测误差，提出考虑多因素影响的光伏发电功率智能预测方法。首先分析光伏发电功率预测研究进展，选择光伏发电功率影响因素，并采用相关性分析法确定影响因素权重值，然后根据权重值对光伏发电功率样本数据进行处理，采用最小二乘支持向量机对样本进行学习，建立光伏发电功率预测模型，最后采用Matlab工具箱进行光伏发电功率预测的仿真对照测试，结果表明，所提方法可以科学、准确描述光伏发电功率变化趋势，光伏发电功率预测精度高于当前经典方法，是一种性能优异的光伏发电功率预测建模技术。     

基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

基于注意力机制的CNN-BiGRU短期光伏发电功率预测

精确的光伏发电短期预测在微电网智能能源管理系统中起着至关重要的作用;文章提出一种基于注意力机制的CNN-BiGRU短期光伏发电功率预测模型;其核心思想是通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU模型捕捉光伏时序数据集的双向信息流,学习光伏特征的动态变化规律,引入Attention机制为CNN-BiGRU的隐藏层输出赋予权重,减少因时序过长造成的信息丢失,并且突出强相关特征的影响,减少弱相关特征的影响。在美国俄勒冈州本德市公开数据集上做了验证,并与BP神经网络、GRU、BiGRU、基于Attention机制的BiLSTM以及基于Attention机制的BiGRU进行对比,实验结果表明所提模型在预测精度上更有优越性。     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

浙江桐乡光伏电站临近区域净太阳辐射变化特征及预测技术研究

针对目前对太阳辐射变化特征及预测研究相对较少的现状,且太阳辐射对光伏发电具有最直接的影响,因此研究小区域太阳辐射时间变化规律、预测等,对光伏发电量准确估算缺乏一定指导意义。本文利用桐乡光伏电站临近区域1950-2020年净太阳辐射资料,分别采用最小二成分、M-K突变、EEMD周期分解、BP神经网络模型,对其整体、年代际时间变化特征、周期演变规律,并对比多种预测模型对该区域净太阳辐射预测的适用性。研究表明：净太阳辐射整体上呈递减趋势,每10年单位m2减少12.125MJ,且80年代、00年代递增趋势最为显著,1956年、2011年为净太阳辐射突变的年份;净太阳辐射存在多个时间尺度周期变化规律,分别为2-3年(短期)、10年(中期)、50年(长期);所建立BP神经网络模型,预测较LSTM、DNN等算法均较高,能较好的应用于对该光伏电站净太阳辐射预测业务中。本文研究结论,能够较好的揭示小区域净太阳辐射演变规律,对光伏电站发电量精准测算以及预测工作均具有重要意义。     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于TLBGA-GRU神经网络的短期负荷预测

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性。为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法（TLBGA）和门控循环单元（GRU）神经网络的短期负荷预测方法。利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量。在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度。对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1%和97.2%,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度。