基于模糊随机理论的短期太阳辐射强度预测

基于模糊随机理论,提出太阳辐射值预测模型,得到预测云层覆盖率下太阳辐射值的预测区间及期望值等。分析云层覆盖率的随机性和云遮系数的模糊性;运用模糊随机理论处理云遮系数;以无云天气计算太阳辐射值的REST模型为基础,用云遮系数对其辐射值进行修正,从而得到有云天气的辐射值。利用美国BMS光伏电站的数据对模型进行验证,结果表明该模型具有较好的预测精度。     

计及气象条件的光伏板最佳安装角度计算

针对固定武光伏板最佳安装角问题,提出了综合考虑安装角度、气象条件、太阳辐射总量等因素的光伏板表面接收辐射模型.利用修正后的Angstrom线性回归方程,对理想情况下的太阳辐射量进行了逐时计算.通过聚类分析和统计学方法,将天气分为五种类型,量化了各类型天气对辐射量的影响,并在年辐射总量的计算中应用蒙特卡洛方法对气象条件进行模拟.最终,利用文中模型,对华北某地的气象条件进行了统计分析,给出了不同安装角度下的光伏板表面接收年辐射总量和不同时间段内的光伏板最佳安装倾角.     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

基于全天空成像仪的光伏电站水平面总辐射预报

准确地水平面总辐射预测是进行光伏功率预测的前提,对提高光伏发电消纳能力具有重要意义。文章基于地基云图观测,建立了云图遮挡复原和畸变还原算法,以及分类型的云团分类识别与运动预测算法,最终实现对水平面总辐射的预测。为验证提出的算法,利用南京市浦口区2012年6月的TSI-880全天空成像仪和地面总辐射计观测数据对水平面总辐射进行预测。结果表明该方法具有较高的预测精度,能够有效地预测由云遮挡造成的辐射跳变过程。     

基于典型天气类型计及随机预测误差的光伏发电短期预测研究

光伏发电出力与天气类型有直接关系,越是多云或是阴雨天气,光伏出力预测的误差越大。基于典型天气类型的划分,提出了一种计及预测相对误差的考虑“相关影响因子”的光伏出力预测模型。定义了典型天气类型并据此对历史数据进行了划分,提出了光伏出力预测的“相关影响因子”;利用t Location-Scale分布建立了光伏出力预测的相对误差概率模型,采用拉丁超立方技术进行了预测相对误差的样本抽取;将光伏预测的相对误差其与预测值进行叠加得到了最终的预测结果。利用算例证明了所建模型的可行性和有效性。     

基于修正辐射模型的富氧燃烧传热对比分析

富氧燃烧被认为是极具有竞争力的燃煤电厂二氧化碳减排技术。采用Leckner辐射模型和修正WSGG模型计算富氧气氛烟气发射率并与逐线法精确解进行比较,结果表明:在辐射层有效厚度较小时,Leckner辐射模型较为精确;当辐射层有效厚度较大时,修正WSGG模型预测得到的发射率结果较为准确。基于两种辐射模型对富氧燃烧方式下各受热面传热进行了计算分析得出:对于相同结构锅炉,富氧燃烧湿循环对受热面的辐射传热较为有利;在高烟温区段,采用Leckner辐射模型计算的换热量较大,出口烟气温度较低,而在低烟温区段换热量较修正WSGG模型低或者与之相当。     

微电网光伏发电的Adaboost天气聚类超短期预测方法

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于天气分型的风电功率预测方法

对风电场输出功率进行预测是保证大规模风电集中并网后电力系统安全稳定运行的有效手段。提出了种基于天气分型的风电功率预测算法,以数值天气预报(numerical weather prediction,NWP)中的风速向量和压力日变化为基础,采用主成分分析对样本进行降维处理,以聚类分析的方法对天气类型进行分类,针对不同的天气类型分别建立预测模型,并与单预测模型进行对比。研究结果表明,主成分分析结合聚类分析的方法可实现对天气现象的有效分类;对于较为稳定的天气现象,聚类模型较单模型的预测精度提高显著,而对于不稳定的天气现象,聚类模型预测精度提高有限;对总体样本而,基于天气分型的预测方法较常规方法精度提高2%以上。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

Contrastive Observation of Solar Thermal and Photovoltaic Resource

Solar thermal and photovoltaic applications are the most widely used and the most successful way of commercial development in solar energy applications. Observation and assessment of solar thermal and photovoltaic resources are the basis and key of their large-scale development and utilization. Using the observational data carried out from Beijing southern suburbs observation station of China Meteorological Administration in summer of 2009, preliminary solar thermal and photovoltaic resources characteristics for different weather conditions, different angle and different directions are analyzed. The results show that: (1) In sunny, cloudy or rainy weather conditions, both of solar thermal and photovoltaic sensors daily irradiance have consistent change in trend. Solar thermal irradiance is larger than photovoltaic. Under sunny conditions, solar thermal global radiation has about 2.7% higher than the photovoltaic global radiation. Under cloudy weather conditions, solar thermal global radiation has about 3.9% higher than the photovoltaic. Under rainy weather conditions, solar thermal global radiation has about 20% higher than the photovoltaic. (2) For different inclined plane daily global radiation, southern latitude -15 °incline is the maximum and southern vertical surface is the minimum. The order from large to small is southern latitude-15 ° incline, southern latitude incline, southern latitude+15 °incline, horizontal surface and southern vertical surface. Southern latitude -15 °incline global radiation has about 41% higher than the southern vertical surface. (3) For different orientation vertical surface daily global radiation, southern vertical surface is the maximum and western vertical surface is the minimum, which eastern vertical surface is in the middle. Southern vertical surface global radiation has about 20% higher than the western vertical surface.     

基于小波包-神经网络的太阳逐时辐射预测

太阳辐射量受到季节、大气状况、云况、温度、湿度甚至沙尘等气象因素的影响,表现为强烈的时变性和随机性。对于非线性的辐射量预测,目前已提出了许多方法,但依然存在智能算法的选取不合理、网络结构泛化能力差、预测精度不理想等不足。针对光伏电站太阳逐时辐射强度数据特征不明显、普通BP网络难以完全映射其特征的缺点,提出了一种基于小波包-神经网络的预测模型(WPNN),利用小波包变换将辐射强度序列进行多尺度分解,并创建多个BP模型对各分量预测,最后通过重构得到最终的预测结果。结果表明,预测精度明显提高,满足预期效果,证明该模型的有效性和实际意义。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。     

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...     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划，降低新能源发电对电网的冲击，提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先，根据光伏出力主要受天气影响的特点，通过皮尔逊系数获得相关性强的气象因素，利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集；然后，将极限学习机（extreme learning machine，ELM）引入Boosting框架，构建光伏出力日前预测模型（B-ELMs）；最后，利用真实光伏电站运行数据验证模型有效性，该模型在试验过程中展现出良好的适应性，最高决策系数（R²）达0.9819。实验结果表明，由于集成学习框架的存在，B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果；同时，相较于深度学习网络，B-ELMs的收敛速度更快，在维持较快训练速度的同时保障更为精确的预测结果。     

一种适用于光伏高渗透率地区的太阳辐照短时预测技术研究

在光伏高渗透率地区,气象变化会引起光伏发电系统的出力波动,对该区域电网电压稳定及运行控制产生威胁。为此,论文设计了一套以STM32F103为核心处理器的微气象数据采集终端,选配光照和温湿度等智能传感器对光伏高渗透率地区的气象数据进行检测,并采用GPRS和http透传模块将测量数据上传至由Nginx服务器和Apache服务器混合组成的数据综合处理单元。其中,Nginx服务器主要负责数据的接入与分配,Apache服务器主要负责数据的分析与处理。最后,在Matlab中采用NARX神经网络模型对测量数据进行太阳辐照短时预测仿真研究。结果显示,所提的方案能够有效预测光伏电站周边区域的太阳辐照短时变化情况,可为新能源发电的功率变化预测和配电网优化运行控制提供一定支持。     

基于数据驱动的太阳辐射估计和预测研究与展望

准确可靠的太阳辐射估计和预测信息对指导光伏电站规划、光伏发电功率预测等具有重要意义.数据驱动方法能够有效学习长期历史辐射数据特性且不涉及辐射机理的复杂公式分析,是当前太阳辐射估计和预测的主流方法之一.针对基于数据驱动的太阳辐射估计和预测研究,从其原理和关键技术方面进行比较论述,具体包括估计和预测模型的输入、主流数据驱动模型以及模型的精度提升方法,并针对当前太阳辐射估计和预测方法的研究现状及不足进行总结与展望,以更好地配合光伏发电技术领域内的研究和应用.