基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

基于光伏功率预测的多能源互补系统的设计研究

太阳能具有清洁环保的特点,且与火电在发电形式上具有互补性。在二者构成的互补能源系统中,由于受太阳辐照等因素影响,光伏发电输出功率具有较强的波动性,可由变负荷响应速度快的火电跟踪补偿。核电具有稳定高效的特点,可以用来提供基本负荷。在多种能源互补调节过程中,若光伏发电输出功率得到较为准确的预测,可降低系统对火电随负荷跟踪响应的速度要求,也能提高系统的安全稳定性。光伏功率预测采用时间序列法和相似日法相结合的方法,先通过时间序列法获取预测目标日的关键气象信息,再通过相似日方法确定历史数据库中与预测目标日气象条件最接近的几天。通过两种权重确定方法,由相似日的光伏功率确定预测目标日的光伏功率,达到预测的目的。     

基于非线性SRUKF的光伏发电功率预测研究

光伏发电输出功率具有间歇性和波动性的典型特性,现从统计分布与物理学方法相结合的角度,建立了光伏发电预测功率物理模型,提出了适用于动态非线性系统预测的SRUKF算法。仿真结果表明,该方法用于光伏功率预测时均方误差较小,对光伏发电短期功率预测的实时性较好,准确性较高。     

面向大型综合交通枢纽供电的太阳能光伏发电量预测研究

面向大型综合交通枢纽供电的光伏发电时间跨度较大,导致传统方法预测发电量的准确率较低。因此,提出面向大型综合交通枢纽供电的太阳能光伏发电量预测研究。首先获取影响太阳能光伏发电量的气象因素,如光照和温度等,并将其经过预处理后作为预测模型的输入特征参数。其次构建一个BP神经网络模型,将历史气象数据与历史大型综合交通枢纽供电数据输入到模型中,进行学习训练得到面向大型综合交通枢纽供电的太阳能光伏发电量的预测结果。实验结果表明,设计方法预测的发电量与实际发电量之间的拟合度高达0.978,预测性能优越。     

光伏发电功率预测方法研究综述

针对太阳能光伏发电输出功率不稳定的问题,分析了国内外光伏发电功率预测方法的研究现状,总结并提出了今后研究的建议方向,介绍了太阳辐射、晴空指数、日照时数、云、温度、风速和面板积尘等影响光伏发电的各种因素,着重综述了2008年以来光伏发电功率预测尤其是短期预测的研究概况,对光伏功率预测的时间尺度和精度这两个重要指标进行了讨论,分析了数据基础、影响因素、精度指标、时间响应和评价标准等光伏发电预测中需要重点关注的技术难点。研究结果表明,近年来的研究工作主要集中在短期预测,到目前为止对于各种预测方法尚没有被公认的评价标准,难以对各种预测算法进行评估比较。最后结合综述分析,提出了今后光伏发电功率预测研究工作的建议方向。     

基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。     

基于PPP模式的废弃煤矿塌陷区光伏发电项目成本效益分析

废弃煤矿塌陷区的综合利用一直是我国亟待解决的难题,利用采煤沉陷区建设大型光伏项目,可以实现科学融合,变废为宝,但光伏发电项目周期长、规模大,且政策、市场环境等存在很大的不确定性,传统的投资决策方法不能满足投资者要求,需进一步探讨适合光伏发电项目的评价方法。故对废弃煤矿塌陷区光伏发电项目引入PPP模式投资决策方法进行分析,以安徽省淮南市废弃煤矿塌陷区及电网数据为基础,研究适合淮南废弃煤矿塌陷区光伏发电项目的PPP模式,并对废弃煤矿塌陷区光伏发电项目的成本效益进行分析。研究结果表明,淮南废弃煤矿塌陷区光伏发电项目引入PPP模式对项目建设、运营可以起到更佳的效果,并产生更高的效益。     

基于挣值管理的分布式光伏发电项目成本管理研究

从成本估算、成本控制、成本构成三个方面介绍了分布式光伏发电项目成本管理的现状,并从基本概念、应用范围、优势等方面论述了挣值管理理论。基于挣值管理对分布式光伏发电项目成本管理进行研究,建立分布式光伏发电项目成本管理模型,并进行案例分析。应用挣值管理,能够有效评估分布式光伏发电项目的绩效和成本,提高成本管理的效率和精度,有利于分布式光伏发电项目的实施。     

基于区域配电网的0.4 kV分布式光伏实时发电功率预测

光伏并网发电对电网的稳定性有较大影响,特别是配电网0.4kV分布式光伏,其发电电量与实时发电功率对台区以及线路的稳定性将产生极大挑战。现对影响光伏发电的关键因素以及光伏实时发电功率预测方法进行了全面分析,并提出基于区域配电网的0.4kV分布式光伏实时发电功率预测算法,以实时预测区域0.4kV光伏发电功率,为管控0.4kV分布式光伏提供宝贵经验。     

大数据分析在电力规划中的应用

国网公司不断强调要做到电网项目的精准投资,需以科学的电力需求预测分析为基础,对电网规划项目进行有序且合理的规划,为电网项目的投资建设提供正确指导。本文拟采用大数据分析方法,运用OFFICE、SPSS等工具,通过数据收集、数据清理、建立分析模型、结果展示,实现对电网负荷数据、电量数据、地方经济数据、气象数据的综合分析,试图挖掘出各类数据之间的关联关系,进而实现电力需求的科学预测。     

基于遗传算法优化的RBF-BP神经网络在光伏阵列MPPT的研究

为了高效地追踪光伏电池的发电输出功率,结合光伏电池输出非线性的特点,提出了一种基于遗传算法优化的RBF-BP组合神经网络,用于对光伏阵列最大功率点追踪(MPPT)。首先研究了光伏电池的输出特性,在此基础上提出了RBF-BP双隐层组合神经网络。为了更加准确地预测光伏电池最大功率点,进一步运用遗传算法对组合神经网络进行优化。将影响光伏电池输出的主要因素光照强度和温度作为神经网络的输入建立预测模型,通过MATLAB对该模型进行仿真。仿真结果表明,该系统具有追踪精度高、速率快、迭代次数少等优点,有效地提高了对光伏电池输出最大功率点追踪的精度和效率。     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

一种光伏发电系统无线监测平台设计

为给研究光伏发电系统与气象因素之间的关系提供数据基础,本文设计了一种光伏发电系统无线监测平台。该平台的设计主要包括硬件和软件两部分,其中硬件部分包含主控模块、传感器采集模块、通信模块和其他功能模块四部分,软件部分包含无线传感网络、无线网关和监控平台三部分,软件部分可实现数据的显示和存储功能。该平台可以监测光伏发电系统相关的太阳辐照度、温度和湿度数据,以便进一步研究光伏发电功率的气象影响因素,具有良好的应用价值。     

基于支持向量机和深度信念网络的短期光伏发电预测方法

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于广义大数据技术的光伏项目典型故障诊断

分布式光伏凭借其部署灵活、经济安全、清洁高效的优势,已发展为新能源领域中坚力量,对缓解能源紧张方面发挥重要作用。随着光伏装机容量增多,暴露出各种问题。由于光伏发电系统长期在室外运行,受恶劣气候环境影响,一方面,光伏组件长期被灰尘堆积遮挡会使光伏发电效率下降;另一方面,导线、电缆等电气元件会受到暴晒、腐蚀、动物啃食等出现系统损坏停机,严重情况下可能会引起短路导致火灾。为解决光伏项目传统运维的问题,基于广义大数据技术提出一种具有低成本、可复制、普适性的分析方法,在节省监测设备成本的情况下对光伏典型故障进行诊断,较传统分析方法结果准确性大幅度提升。     

含光伏发电和储能电池的智能微电网经济调度

介绍了智能微电网的结构和微电网多代理分层的控制方式,建立了光伏发电输出功率预测的数学模型,详细阐述了含储能电池成本及各发电单元运行维护成本的微电网优化调度目标函数、约束条件、优化变量和优化策略,利用粒子群算法对各发电单元进行经济调度,制定了3种储能电池的充放电计划以及购电交易计划。     

基于数据残余分量与ARMA模型的光伏功率日前预测方法

光伏功率日前预测对电网的规划调度和经济运行管理有着重要作用。根据相似日光伏发电功率曲线,采用日均值法计算得出光伏日内功率曲线的整体变化趋势分量,将原始功率数据曲线与日内整体变化趋势分量求差得到光伏功率的残余分量。基于该残余分量,该文提出了一种改进ARMA模型的日前光伏功率预测方法,该方法通过对残余分量进行预测,将残余分量的预测值与整体变化趋势分量相加得到最终预测结果。通过与传统ARMA模型预测结果进行对比,仿真表明:该方法对不同程度的光伏功率波动情况均有较好的预测精度。     

基于风光储双层母线微电网的分布式模型预测控制

针对风光储互补的双层母线直流微电网系统,提出一种基于多端口变换器直流微电网分布式模型预测控制策略。首先,建立各个子微网系统中风电系统、光伏系统和储能系统的数学模型,其次,依据风电系统、光伏系统工作在经济最优,发电功率最大,储能系统作为补充的原则,采用分布式模型预测控制算法优化风电系统、光伏系统输出功率,保证高低压侧母线负荷跟踪性能和经济性能。最后,通过微网间DC/DC变换器进行PI控制,实现高低压母线间能量平衡,维持母线电压稳定。通过仿真、实验验证,所提控制策略能够实现各个微电网发电单元经济最优的同时,维持高低压侧母线的功率平衡和母线电压稳定,提高了系统的运行可靠性。     

光储微网系统孤岛运行控制策略研究

受光照、温度等自然条件影响,光伏发电输出功率具有较大的波动性。利用储能系统功率快速充放的特点,可以实现光储系统输出功率稳定。现对光伏电池及其变流装置进行建模分析,对不同储能电池及其PCS控制方法进行建模分析,并结合实际示范工程运行参数,建立了光储微网系统仿真模型,最终提出了适用于光储微网系统孤岛运行的控制策略。通过仿真分析,验证了所提出的控制策略可以维持光储微网功率平衡,保持系统稳定运行。该研究成果为示范工程进一步开展相关研究工作提供了理论指导。