基于相似日重组的分布式光伏电源发电功率预测

在分布式光伏电源大规模接入的情况下,发电功率的预测问题受到越来越多的重视。本文在全面统计分析影响光伏电源发电功率的因素的基础上,提出可针对气象部门提供的预测日分时气象数据分别寻找相似数据点,并将历史数据重新组合成为新的相似日,再进行预测。本文以某区域分布式电源智能管控平台的实测数据为样本,运用BP算法进行训练和预测,取得了较好效果,尤其在天气突变时优势更为明显。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

基于相似日和CAPSO-SNN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和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素,提出以综合相似度指标进行相似日选取;以SNN强大的计算能力和其善于处理时间序列问题的特点为基础,结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值,减少对权值的约束,提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估,结果表明,该模型比传统预测模型具有更高的预测精度和更好的适用性。     

基于相似日误差校正的光伏功率预测

光伏发电的功率预测是电网运行调度普遍关注的问题。光伏电站大量历史数据的挖掘和利用为波动的光伏功率建模提供了新方向。在采用气象相似日进行光伏发电功率预测的基础上,引入了相似日的光伏发电功率预测误差对预测日的光伏功率进行校正,更进一步提高了光伏发电功率预测的准确性。     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm,WPA）缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法（improved wolf pack algorithm,IWPA）,并通过IWPA对最小二乘支持向量机（least squares support vector machine,lSSVM）进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明：无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。     

基于相似日和回声状态网络的光伏发电功率预测

光伏发电功率预测对提高光伏电站控制、调度性能以及保证电网的安全稳定运行具有重要意义。提出一种基于相似日和回声状态网络（ESN）的光伏发电功率预测模型。首先运用相关性分析法对光伏发电功率的影响因素进行了深入分析,并筛选出其主要影响因素;再利用主要影响因素的历史气象信息建立气象特征向量,通过计算灰色关联度（GRA）寻找合适的相似日;最后运用ESN创建预测模型,利用相似日历史数据训练ESN,而后对预测日的输出功率进行逐时预测。算例表明,对比传统模型,GRA-ESN模型具有更高的预测精度和更好的可行性。     

基于多时段相似日理论的光伏功率组合预测方法

相似日之间的光伏功率具有很大相似性,为了进一步提高光伏功率预测的准确度,对常规的相似日选取方法加以改进,并提出了一种基于多时段相似日理论的光伏功率组合预测方法。该方法首先建立具有时效性的气象特征量,然后在不同时间段利用相似度组合指标选取相似时段,构建出多个组合相似日,组合后的相似日进一步保障了每一时段的相似性,并构建粒子群算法（particle swarm optimization,PSO）优化LightGBM(Light gradient boosting machine)决策树模型和双向长短时记忆网络（bi-long short-term memory,BiLSTM）的时变权重组合式预测模型,提高预测模型精度,弥补单一模型存在的不足。最后利用粒子群算法-双向长短时记忆网络（particle swarm optimization-Bi-long shortterm memory,PSO-BiLSTM）模型矫正待预测日的光伏功率。以中国广东某光伏电站的数据为例进行验证所提方法的可行性与优越性。     

基于相似日理论和LCSSA-BP的短期光伏发电功率预测

准确预测光伏发电功率是保障含分布式电网平稳运行的关键环节。为提升反向传播神经网络（BPNN）功率预测精度,提出一种基于Logistic混沌映射的麻雀搜索算法（LCSSA）以改进BPNN的预测模型。利用相关性分析确定光伏发电功率的影响因素,并引入与天气类型密切相关的晴空指数作为选取相似日的气象因素;利用欧氏距离和马氏距离组合加权法选取训练集;建立LCSSA-BPNN功率预测模型,利用实测数据对比分析所提LCSSA-BPNN模型与SSA-BPNN、BPNN模型的预测精度。结果表明：在晴天、阴天、雨天3种情况下,LCSSA-BPNN模型预测值的平均相对误差率分别为9.52%、10.52%和11.56%,均优于其他对比模型,说明LCSSA-BPNN预测模型具有更好的适应性和预测性能。     

基于BP神经网络-马尔科夫链的光伏发电预测

为了减少发电量随机性对电力系统的影响,需要对发电功率预测进行研究。通过分析影响光伏发电功率的因素,基于BP神经网络理论,在Matlab软件中建立预测模型,实现了对输出功率的短期预测,并给出了基于马尔科夫链的改进预测精度的方法。     

基于交叉熵理论的光伏发电功率组合预测方法

光电功率预测对电网的安全稳定运行以及调度等方面具有重要意义.针对单一预测方法精度较低的问题,提出了一种基于交叉熵理论的光伏发电功率组合预测方法,以单一预测方法和最小化组合预测方法的"差值"为依据,动态地改变不同预测方法的权重,提高组合预测的精度.以某光伏电场为算例进行分析,结果表明,该模型针对不同的天气,具有较强的预测...     

基于马尔可夫链的光伏发电系统输出功率短期预测方法

提出了一种直接预测光伏电站出力的方法。该方法基于马尔科夫链,通过统计光伏电站历史功率数据建模,直接预测光伏电站出力。理论推导证明了该数学模型的可行性。以教育部光伏中心的光伏电站为例进行建模预测,证明了该方法的有效性,并通过调整模型参数获得了更加精确的结果。