基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

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。     

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。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于相似日理论和BP神经网络的光伏发电功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时长和气温等多种气象因素的影响,具有随机性和波动性。对各种气象影响因素进行合理的选取和处理,寻求光伏发电系统输出功率与各种相关因素之间的内在联系,对光伏发电系统未来的输出功率进行科学的预测。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,提出选择光伏阵列输出功率相似日的方法,设计基于相似日原理的BP神经网络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验证。结果表明,模型有较好的预测准确度,具有一定的实用性及可行性。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

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ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测.本文建立了一种基于ARMA模型的光伏电站预测模型.结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较.大量的数据表明,ARMA预测模型有较高的精度,能够...     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于混合麻雀算法改进反向传播神经网络的短期光伏功率预测

精准地预测短期光伏发电功率,是提高光伏电站运行效率、保障光伏并网后安全稳定运行的关键。因此,提出了一种基于精英反向学习策略并结合Metropolis准则的混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)改进反向传播神经网络(back propagation neural network, BPNN)的预测模型。首先采用皮尔逊相关系数公式选择与光伏输出相关性最好的气象特征集作为模型的输入,避免冗余的气象因子影响光伏输出。再利用欧式距离公式计算时序相似度来选取训练集,以提高训练集的可靠性。最后,使用HSSA-BPNN的权阈值建立预测模型,并利用新疆某光伏电站的实际数据进行实验分析。分析结果表明,与BPNN、粒子群算法(particle swarm algorithm, PSA)-BPNN、麻雀搜索算法(sparrow search algorithm, SSA)-BPNN相比,混合麻雀搜索算法(hybrid sparrow search algorithm, HSSA)-BPNN模型具有良好的适应性、较好的预测性能。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。