基于KPCA与混合蛙跳算法的并网光伏电站发电量预测模型研究

文章提出一种混合蛙跳算法和核主成分分析的光伏发电功率综合预测方法,以日期、时刻、历史天气预报中的云层状况和温度为输入量,以光伏发电系统历史发电数据和历史天气预报数据为基础,用核主成分分析对输入量降维,提取主要输入成分,与光伏发电功率输出共同构成历史数据库,对历史数据进行训练,建立光伏发电功率的综合预测模型,利用相对均方根误差对模型进行评估。结果表明,文章提出的方法建模速度快,模型预测精度较高。     

并网光伏电站发电量影响因素分析

着重阐述影响并网光伏电站发电量的各种因素,结合已投产光伏电站的运行情况,对比分析运行参数,提出了切合实际的解决措施,对提高光伏电站的生产管理水平具有借鉴意义。:     

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络（GA-WNN）的光伏电站发电量预测方法。首先,以反向传播（BP）神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法（GA）进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。     

并网光伏电站关键部件的运行性能分析

简要概述了50kW大型并网光伏电站的系统构成；通过一段时间的运行，对该电站的一些关键部件进行性能评价。分析结果表明：电站的光伏组件设计合理，并网逆变器具有较高的转换效率。     

光伏电站发电量的理论计算及差异分析

首先根据太阳能辐射的机理模型推算出1MW太阳电池方阵的发电量,再与国外软件的发电量进行对比,并分析差异原因。最后提出,待光伏电站的实际运行数据获取后,再对本理论计算方法进行优劣分析。     

大型并网光伏电站防雷研究

以陕西靖边大型光伏电站建设为例,对是否需要大面积防雷设计进行了探讨,并针对电站光伏方阵、控制机房、升压站等的防雷提出了具体的防雷方案。     

娜姑光伏电站的太阳能资源评估及发电量预测

云南省是中国太阳能资源最丰富的地区之一,光伏发电已成为该省实现能源转型的中坚力量和减少碳排放的重要举措。基于Meteomorm和SolarGIS数据库,对在云南省曲靖市会泽县拟建的娜姑光伏电站所在区域的太阳能资源时空分布特征进行了分析;并通过计算能够反映太阳能资源丰富程度、稳定度和太阳直接辐射状况的量化指标,评估了该光伏电站建设地的气候适宜性;然后利用光伏发电系统设计软件,结合电站所在地的实际地形,对该电站光伏阵列的布置方式进行了优化,并预测了电站的发电量。分析结果表明：1)基于Meteomorm和SolarGIS数据库分别计算得到的月均水平面太阳辐射量及月均水平面太阳散射辐射量的变化趋势和数值基本接近;2)根据SolarGIS数据库计算得到的娜姑光伏电站建设区域的年总水平面太阳辐射量、月均法向太阳直接辐射量和年总水平面太阳散射辐射量分别为1655.9、1361.8和755.0 kWh/m2;3)娜姑光伏电站装机容量为151.2 MW时,预计其25年的总发电量为5499833.0 MWh,年均发电量为219993.3 MWh,年均等效利用小时数为1454.9 h。该研究可为娜姑光伏电站...     

基于设计信息的分布式光伏电站预测发电量计算方法

针对分布式光伏电站发电量预测与计算问题,在分析传统方法误差产生和精度不高原因基础上,通过引入具有方位角的倾斜面太阳辐照量,分析目标电站得到的包含弱光损失、温度损失等9个因素的系统设计综合效率系数,提出一种新型分布式光伏电站预测发电量的计算方法,计算到电站的月总或年总预测发电量.实验结果表明,该文所提方法能够更为准确计算...     

基于遗传算法优化粗糙决策模型的光伏电站发电量的影响因素研究

通常光伏电站设计时要考虑2个主要目标,一个是使光伏电站的发电量最大,另一个是使光伏电站的度电成本最低.影响光伏电站发电量的因素众多,不同因素之间的相互影响及其交互影响极其复杂.在粗糙决策模型的基础上,引入遗传算法来寻找光伏电站发电量的主要影响因素.以光伏电站发电量作为决策属性,选取8个参数作为条件属性,建立了光伏电站发...     

基于BIM的光伏电站自动化布置及发电量评估

对光伏电站自动化布置的区域填充算法以及进行阴影分析的射线检测算法进行研究,进而以BIM技术为基础在Sketchup平台上实现光伏组件自动参数化布置及逐时阴影遮挡分析功能,并和实际电站的性能进行比较。研究结果表明：自动化布置算法和阴影分析算法符合电站实际应用情况,相对于传统的光伏电站性能模拟方法可视化性能有明显提升,此外基于实测气象数据模拟电站全年发电量和实测发电量的差异约为1.5%,具有一定精度。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于提升小波-BP神经网络的光伏阵列短期功率预测

提高光伏阵列的短期功率预测的精度,对光伏电站运营管理效率具有重要作用。文章提出了一种提升小波变换与BP神经网络相结合的直流侧功率输出预测滑移算法,对光伏阵列的超短期功率进行预测。实验结果表明,文章所提出的算法对超短期功率预测具有较高的精度,适用于晴天、多云、阴雨等复杂天气条件。     

基于时空图卷积神经网络的光伏发电功率超短期预测方法

为了解决传统光伏电站超短期功率预测方法不能同时准确提取发电功率的时间和空间特征的问题,提出一种基于时空图卷积神经网络的光伏发电功率超短期预测方法。针对同一区域内的多个光伏电站,首先对电站进行图建模,利用图卷积网络（GCN）与门控线性单元（GLU）提取发电功率的时空特征。利用提取到的时空特征信息以及区域内光伏电站的历史发电功率数据训练预测模型,最终实现对多个光伏电站发电功率超短期预测。实验结果表明,该方法能够将超短期功率预测均方根误差减小至1.122%,对工作人员根据实际情况进行电网的调度管理具有重要意义。     

并网光伏发电项目的LCOE分析

围绕并网光伏发电系统的度电成本/平准化电力成本(LCOE)水平进行了分析讨论。针对LCOE的评估依据和测算方法,提出一种适用于我国光伏发电项目的 LCOE评估模型。利用该模型对影响LCOE的几个典型因素进行了敏感性分析;测算了我国光伏发电项目的 LCOE水平;预测了光伏发电项目的 LCOE发展。     

基于自适应阈值的小波BP神经网络风电变桨系统故障预测

为了提高风能资源的有效利用,提高风电机组运行的可靠性、经济性和安全性,故障预测变得尤为重要。故障预测方法在判断设备隐患、制定合理的风电场运维方案方面具有重要的理论和实际意义。围绕变桨系统故障预测的问题,文章利用小波对机械信号特征敏感的优点,引入自适应阈值函数实现对小波降噪的改进,结合具有自学习能力和并行处理能力强的BP神经网络,建立了自适应阈值的小波BP神经网络故障预测模型。该模型结合了小波分析的技术特点,减少了噪声对预测模型的干扰,模型简洁、易实现。应用该网络预测模型,提前15 d对变桨系统故障预测的准确率达到了92.27%。     

并网光伏发电系统动态特性的对比分析

大量光伏电站的并网,相应地带来并网稳定性、自身抗扰动性等相关问题。由于单级型光伏并网系统和双级型光伏并网系统的拓扑结构不同,其并网运行的动态特性也不尽相同。文章基于PSCAD/EMTDC电磁暂态仿真软件,分别搭建单级型和双级型光伏并网系统模型,并对比仿真了光照扰动与电网电压跌落扰动下两种光伏并网系统的动态特性,单级型光伏并网系统更适合于大中型光伏电站。     

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

Regional forecasts and smoothing effect of photovoltaic power generation in Japan: An approach with principal component analysis

Regional forecasts of power generated by photovoltaic systems have an important role helping power utilities to manage grids with a high level of penetration of such systems. The objective of this study is to propose a method to obtain one-day ahead hourly regional forecasts of photovoltaic power when regional information is available. The method is based on the use of principal component analysis, support vector regression and weather forecast data. One-day ahead regional forecasts of photovoltaic power were done for 4 of the main regions of Japan for 1 year, 2009, using hourly power generation data of 453 photovoltaic systems. The performance of the method was characterized comparing the results it yielded with the ones provides by a persistence approach and by an approach that do not employ the principal component analysis. Moreover, the expected smoothing effect on the error achieved when the regional forecasts are based on forecasts for each photovoltaic system is presented, constituting an additional reference to evaluate the proposed method. The results show that the method performed well; its regional forecasts had a normalized annual root mean square error of 0.07 kWh/kW_rated in the worst case, and the persistence approach was outperformed by at least 51% regarding the same error. The use of principal component proved to be a simple and particularly effective approach, decreasing the bias of the forecasts in all regions, and causing a reduction of the normalized root mean square error from 20.2% to 57.8% depending on the region. The proposed method also yielded results within the same level of forecasts which benefitted from the smoothing effect; the former presented a maximum variation of 10.2% of the normalized root mean square error of the latter in the worst case.     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。