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。     

基于改进BP神经网络的光伏发电系统输出功率短期预测模型

随着光伏发电系统的大规模应用,其输出功率预测技术可以有效地缓解该类随机能源对电力系统的不利影响。提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行直接预测。通过对影响输出功率各项因素的分析,得出了预测模型输入变量选择的理论依据;为了提高模型在各种天气条件下的预测精度,提出了相似日选择算法和训练样本确定方法;针对传统BP学习算法易陷入局部极小点、收敛速度慢等缺陷,利用增加动量项和可变学习率相结合的方法对其进行了改进。最后通过预测结果分析,验证了所提模型和算法的有效性。     

基于神经网络的光伏系统发电功率预测

分析光伏系统的发电特性以及影响光伏发电的因素,建立基于神经网络的光伏发电功率预测模型.该模型采用三层BP(反向传播)神经网络结构,利用其强大的非线性映射和泛化能力,按季节建立4个预测子模型,子模型中将相同日类型的光伏发电功率的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

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。     

基于Spiking神经网络的光伏系统发电功率预测

为了提高光伏系统发电功率预测的精度,本文提出一种基于Spiking神经网络(SNN)的预测模型。该神经网络采用精确脉冲时间的编码方式,更接近真实的生物神经系统,具有强大的计算能力。考虑季节类型、天气类型和大气温度等主要影响因素,该模型采用灰色关联分析法选取相似日。本文应用实际光伏发电系统的数据分别对基于SNN、BP人工神经网络(BP-ANN)和支持向量机(SVM)的预测模型进行测试和评估。预测结果表明:SNN预测模型相比于BP-ANN和SVM模型有较高的预测精度和较强的适用性,可以为光伏系统发电功率预测提供一种可行方法。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构...     

基于反馈型神经网络的光伏系统发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型。该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测。仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径。     

基于反馈型神经网络的光伏系统发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型.该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

光伏发电系统输出功率计算方法研究

准确计算光伏发电系统的输出功率,对光伏发电系统发电量的监管和光伏并网系统与电网调度、电力负荷等的配合问题具有重大意义。根据光伏发电系统的结构和工作原理,提出了光伏发电系统输出功率计算方法,可以计算任意太阳辐射量、环境温度、系统结构下的光伏发电系统输出功率。通过与真实光伏电站运行数据的比对,结果显示了光伏发电系统输出功率计算方法的适用性与准确性。     

基于混合储能系统跟踪光伏发电输出功率的控制策略

混合储能系统兼备能量型储能和功率型储能的技术特性,可以有效缩减光伏功率的预测误差,提高将光伏预测出力作为电力调度参考的可靠性。为此,提出了混合储能系统提升光伏电站跟踪目标出力能力的优化控制策略。该策略采用内部能量协调控制和多目标优化控制的复合控制方式,合理地分配了电池与超级电容器的充放电功率,控制混合系统的出力弥补光伏电站预测功率和实际功率的偏差。通过国内某40MW光伏电站250天输出功率数据进行仿真分析,表明该策略不仅可以有效跟踪光伏的预测出力,而且能够充分发挥不同储能介质的特性,降低电池的充放电深度,使混合储能得到更好的应用。     

基于MEEMD-ARIMA模型的波浪能发电系统输出功率预测

波浪能作为一种储量丰富的清洁能源,是未来理想的能源之一.但其具有较强的随机波动特性,因此,可靠地预测波浪能发电系统的输出功率能给复杂电网的调度带来极大的便利.文中提出基于改进的总体经验模态分解(MEEMD)-差分整合移动平均自回归(ARIMA)模型的波浪能组合预测.首先,基于海浪计算原理,计算混合浪的每小时平均波高与周期.其次,采用MEEMD对每小时平均波高与周期进行分解,得到一系列特征互异的本征模态函数(IMF)和余量,并将平均波高分解的结果与离散小波变换分解结果做对比.然后,将得到的分量分别建立ARIMA预测模型,通过叠加得到每小时平均波高与周期的预测值.最后,建立直驱式波浪能发电系统波高-功率转换模型,实例结果验证了该组合模型预测的有效性.     

基于ExtJs的光伏发电预测系统

鉴于光伏功率预测在光电并网中对保持电网功率平衡和电网持续有效地运行有重要意义,介绍了一种基于ExtJs的光伏电站功率预测系统的实现方式。简述了开发过程中使用的开源前端技术ExtJs,及其MVC架构和与服务器的交换方式,给出了系统所使用的自适应逻辑网络预测算法,及系统相关功能描述,对系统的性能进行评价。现场运行结果表明:该预测系统具有良好的可操作性、易维护性和预测准确性。     

分布式光伏发电系统输出功率微分控制策略研究

光伏发电系统（photovoltaic power generation system,PV）内环控制器控制策略有最大功率跟踪控制策略（maximum power point tracking,MPPT）与直流母线电压支撑策略。两种控制策略切换时易导致直流母线电压过压,系统振荡,严重时将导致PV停机。根据光伏阵列的输出特性,提出一种输出功率微分控制策略。采用该控制策略,PV控制系统可自然切换控制目标,避免MPPT控制策略与直流母线电压控制策略间进行切换,进而可减少直流母线电压振荡,提高系统性能。外环控制器则采用下垂控制实现各个分布式PV输出功率均匀分配。     

基于BP神经网络的光伏发电功率预测研究

随着光伏并网容量的增加,光伏发电功率的波动对电网调度运行的影响不容忽视,电网对光伏发电功率预测精度提出了更高要求。在分析了光伏发电功率波动影响因素的基础上,基于BP神经网络建立光伏发电功率预测模型。通过大唐吐鲁番光伏发电实测数据验证该方法,预测结果 RMSE为3.544,表明该方法可以准确预测光伏发电功率。     

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

基于MEA-Elman神经网络的光伏发电功率短期预测

为进一步提高光伏发电功率预测的准确度,从而将思维进化算法(MEA)和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于双层Elman神经网络的光伏发电功率预测

随着光伏发电规模的不断扩大,光伏发电的波动性对其接入电网带来了很大挑战。文章在光伏发电功率影响因素研究的基础上,提出了一种基于双层Elman神经网络的光伏发电功率预测模型,利用历史辐照度数据、相关气象因子及天气预报数据进行功率预测。仿真分析表明该模型具有良好的预测效果。     

基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。