方大特钢11月份自发电量创历史最好水平

11月份,方大特钢自发电量与2023年同期相比增长6.68%,占自用电量64.87%,创自发电历史最好水平。为不断提升自发电量,方大特钢动力厂制定日发电量、月发电量攻关指标和奖励机制,精细调控煤气、蒸汽资源,不断提高能源利用效率。冬季以来,按照发电机、锅炉效率优先的原则,在确保高炉煤气管网安全运行和生产单位用气需求的前提下.

基于遗传算法的光伏系统发电量预测

为准确预测光伏系统的发电量,构建了用遗传算法优化的BP神经网络发电量短期预测模型(简称GA-BP模型)。通过遗传算法的迭代,对BP神经网络的权值和阈值进行优化,以实现对算法的改进。对所选择国能日新光伏系统预测大赛的数据进行预处理、归一化,并将数据输入GA-BP模型,进行了实验。对比实验说明,GA-BP模型不管是在预测结果上还是在模型稳定性上都明显优于BP神经网络模型。

蒙特卡洛模拟法在计算风场超越概率发电量中的应用

[目的]风场不确定性给风场发电量带来呈概率的分布,对不确定性因素进行科学并客观地评估是计算风场超越概率发电量的重要前提。目前行业普遍采用折减系数的办法来预估发电量,达到控制风险的目的,或者对不确定性因素按概率取值计算,以评估风场的超越概率发电量。针对这种简单的折减或者忽视不确定因素的本质计算风场超越概率发电量的做法,文章旨在提出一种既遵循不确定因素的本质还能科学地计算风场超越概率发电量计算方法。[方法]文章采用蒙特卡洛模拟法构建不确定性因素的正态概率分布模型,对不确定性进行模拟,并得出统计结果。通过借助风速-发电量敏感因子,确定风场发电量的不确定性程度,最终计算风场超越概率发电量。[结果]蒙特卡洛进行多次随机模拟结果是服从正态分布的具体函数。文章举例模拟了不确定性因素标准差分别为平均值的12.0%、14.0%、16.0%3种情况的结果,特定置信区间95%风速不确定性程度的分布范围分别为7.08%~8.56%、6.97%~8.71%、6.88%~8.84%,发电量总不确定性程度分布范围分别为13.36%~15.92%、13.17%~16.18%、13.01%~16.41%,超越概率发电量分布范围分别为96.06~101.52 GWh、95.50~101.92 GWh、95.01~102.26 GWh。[结论]采用超越概率发电量作为评估风场投资风险依据,有助于在正确、可靠的基础上进行决策,运用蒙特卡洛模拟方法体现了科学性和高效性,得到的结果具有统计意义。

1-8月全区发电量保持两位数增长

1-8月份,全区规模以上工业发电量5344.1亿千瓦时,同比增长10.4%,继续保持两位数增长态势,8月当月发电量702.2亿千瓦时,同比增长4.0%。各发电品种增势良好。1-8月份,规模以上工业火力发电量4127.9亿千瓦时,同比增长7.3%;风力发电量980.0亿千瓦时,增长18.5%;太阳能发电量205.0亿千瓦时,增长43.0%;水力发电量31.1亿千瓦时,增长28.1%。

基于PQ协调控制的分布式光伏发电量自动预测方法

为了实现对光伏发电量的精细化管理,利用PQ协调控制技术优化设计分布式光伏发电量自动预测方法。先建立分布式光伏发电数学模型,确定辐照强度、光伏电板工作功率与分布式光伏发电量之间的影响关系,模拟分布式光伏系统并网PQ协调控制过程,将光伏电板的输出功率控制在恒定状态。然后采集并分析历史发电量及天气等数据,自动提取分布式光伏发电量波动特征。最终在考虑诸多影响因素的前提下,得出分布式光伏发电量的自动预测结果。对比实验结果表明:优化设计方法在晴天和阴天场景下的预测误差分别降低了19.35 kWh和18.9 kWh,具有较大的应用价值。

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。

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。

基于试验测试的光伏阵列建模与发电量估算

本文以建筑光伏一体化系统作为研究对象,计及光伏板受内部材料和温度、光照等外部条件对其输出电压和电流的影响,建立光伏板的准确数学模型;并基于实际光伏板的测试性能,着重研究光伏阵列的串并联计算、光伏阵列的建模和发电量估算三个关键问题。通过数值仿真验证方法的正确性和有效性。

基于模型分析的光伏阵列发电量优化仿真研究

针对光伏系统的阵列设计与低发电量问题,以某智慧校园为实际应用场景,从光伏板参数特性与太阳能辐射量两个方面建模研究以优化系统发电量。首先建立了单相光伏板正向输出模型,并利用仿真分析得到内外参数影响下的系统输出特性;基于教学楼日常用电负荷需求,设计光伏系统的最大输出参数,并结合教学楼顶部空间限制对光伏阵列进行优化设计;考虑光伏发电的客观限制因素,通过计算太阳辐射量建立了任意角度下的光伏阵列太阳辐射模型,以提高系统发电量。

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。

天然气余压发电设备设计参数和发电量计算方法研究

为保障天然气余压发电设备的安全、平稳、高效运行,有必要针对天然气流量波动较大的工况特点,对天然气余压发电设备进出口压力及流量等设计参数和发电量的计算方法进行系统研究。通过分析天然气输气工况的历史数据,计算天然气流量波动工况下不同设计参数的天然气余压发电设备年累计发电量,按照年累计发电量最高、经济效益最优的原则优选天然气余压发电设备的设计参数并确定设备选型规格,提高天然气余压发电设备设计参数和发电量计算的科学性、合理性。采用基于天然气流量波动工况下计算天然气余压发电设备发电量的方法对某输气站的天然气余压发电设备设计参数和发电量进行计算,计算结果与设备实际运行情况相符。因此,基于天然气流量波动工况,计算天然气余压发电设备设计参数和发电量符合天然气余压发电设备的实际运行工况,可有效提高设计方案质量和项目可行性研究结论的准确性。

基于PVsyst软件模拟发电量数据的光伏电站电能损耗的分析方法研究

电能损耗是光伏电站非常重要的综合性指标,对其进行分析可以为光伏电站能效管理提供数据支持。在电能损耗的计算过程中,最大负荷损耗小时数的选取非常关键。提出了一种基于PVsyst软件模拟所得的发电量数据来分析光伏电站电能损耗的方法,结合工程实际情况给出了精确计算年最大负荷损耗小时数的改进算法数学模型,并对采用不同算法得到的年最大负荷损耗小时数进行了比较分析;以山西省大同市鸦儿崖乡100 MW光伏电站为算例,对其电气设备及线缆的电能损耗进行详细分析,验证了所提出光伏电站电能损耗分析方法的正确性。研究结果表明:1)由于光伏电站容配比的影响,应分别计算光伏电站直流侧和交流侧的年最大负荷损耗小时数,直流侧和交流侧的电能损耗也需要分别计算。2)该方法基于PVsyst软件模拟得到的光伏电站全年各小时的发电量数据,可准确计算出光伏电站的年最大负荷损耗小时数,在数学逻辑上合理,可以提高光伏电站电能损耗计算的准确度。该方法也可应用于其他实际运行的发电项目的电能损耗分析。

镀膜光伏组件的发电量增益及经济性分析

近几年中国光伏行业发展迅猛,光伏发电装机容量逐年攀升。与此同时,该行业关于提升光伏电站发电效率的研究也层出不穷,而将防污涂剂涂覆于光伏组件表面,从而提升光伏组件发电量的研究正是其中之一。以四川省某采用镀膜光伏组件的光伏电站为例,依据该电站的相关数据,分析了镀膜光伏组件和未镀膜光伏组件的发电性能差异;并考虑到政府补贴及市场交易电价等因素,对镀膜光伏组件的发电增益及经济性进行了研究。研究结果表明:1)若本光伏电站全部采用镀膜光伏组件,则其发电量增益至少为1.30%;2)若镀膜光伏组件增发电量收益按照市场交易电价进行计算,当电价分别为0.24、0.20元/kWh时,镀膜施工成本的投资回收期均为6年;3)在电价分别为0.24、0.20元/kWh的情况下,投资回收期为5年时,镀膜施工成本需分别降至160.23万、146.06万元。以期研究结果可为业内相关人员提供参考借鉴。

基于EEMD-LSTM的小水电站发电量预测

准确而有效的发电量预测对于智能电网的经济运行意义重大。提出一种结合集合经验模态分解方法构建长短期记忆网络预测小水电站发电量的模型,利用集合经验模态分解对水电站历史发电量时序进行特征分解,得到包含不同特征的发电量分量。将分解的历史发电量时序与相关影响因素(河道径流量、导叶开度、月份)作为模型的输入,并通过训练调整模型中各参数,然后叠加预测结果得到最终的预测发电量。经过实验对比分析后发现,结合集合经验模态分解方法构建的长短期记忆网络预测模型较传统长短期记忆网络预测模型有更高的精度,并验证了分解-预测-重构的方法在水电站发电量预测中的可行性,同时对新能源大规模并网和电网整体经济运行提供科学依据和决策指导。

不同遮挡因素对IBC组件发电量及温度的影响

为探究不同遮挡因素对IBC组件发电量及温度的影响,采用PVsyst仿真模拟结合实验验证的方式对小面积遮挡、大面积遮挡及灰尘遮挡三种影响因素进行分析,并通过分析实验结论对组件结构进行重新设计。结果表明:IBC串并联组件阵列的每小时发电量比全串联组件阵列高0.12 kWh左右,新设计的双二极管接线盒IBC组件受阴影遮挡后的损失为常规串并联组件的1/2。

采用PCA-CSA-Informer模型的光伏短期发电量预测

为提高光伏发电的预测精确度,提出一种结合主成分分析(PCA)、双通道注意力(CSA)机制和Informer的短期光伏发电量预测新模型.采用Spearman相关分析方法对光伏发电的多元时间序列进行分析,并结合PCA提取时序特征,构建输入数据集.同时,引入CSA机制模块,提取光伏发电历史数据的时间维度和空间维度的特征,然后输入Informer模型进行预测.采用以30 min为分辨率的光伏电站公开数据集进行实验验证和对比分析.实验结果表明,本研究所提出的预测模型在4步预测中的平均绝对误差为0.061 5,均方误差为0.020 5,均方根误差为0.143 5,R~2为0.987 2,均优于其他比较模型,有望为光伏短期发电量预测提供更好的预测精确度.

基于EMD-GM-Elman神经网络组合模型的新型电力系统新能源发电量及负荷需求量预测

针对新能源发电量预测中单一模型精度不足的问题,提出了一种EMD-GM-Elman(empirical mode decompositiongrey model-elman)神经网络组合模型。该模型通过经验模态分解(empirical mode decomposition,EMD)预处理数据,提取局部特征;利用灰色预测模型预测各本征模态函数(intrinsic mode functions,IMF),结果输入Elman神经网络捕捉动态特征;最终通过数据重构得出预测结果。仿真结果显示,该模型预测精度从传统模型的58.1%提高到65.14%。

DLRM深度学习模型在光伏发电量预测中的应用

光伏发电量预测值可以为有关部门进行电能调度或储备提供参考依据。而由于光伏发电具有间歇性、随机性和波动性等特征,对于光伏发电量的预测一直是一个难题。深度学习推荐模型(DLRM)输入层分别将连续特征和离散特征作为输入,采用不同的方法进行特征提取,之后在中间层学习特征之间的交互特征,使得特征表达更充分。而在光伏发电量预测模型的特征中,也存在相应的连续特征和离散特征,如太阳辐射量、温度、降雨量、湿度等是连续特征,而天气、季节、月份等是离散特征,并且有些特征的交互特征,如温度和天气、天气和季节等的交互特征对于预测光伏发电量具有实际的意义。基于此,借鉴了DLRM的模型架构,将其从一个预测点击率的模型修改为一个预测连续值的模型,从而达到预测光伏发电量的目的。在实际数据上进行了验证,提出的模型能够很好地预测光伏发电量。

电压波动下智慧光伏场站最大发电量预测仿真

智慧光伏场站输出电压的稳定性对电网的整体运行至关重要。而电压与气象因素(如太阳辐射、温度等)产生耦合效应,使得其波动具有随机性,增加了发电量预测的复杂性,降低了预测的准确性。为此,提出考虑电压波动的智慧光伏场站最大发电量预测方法。采用AdaBoost算法和SVM算法相结合的方式对电压波动类型展开分类处理,获取不同天气状态下的电压波动情况。引入深度信念网络,将电压波动类型分类结果作为预测模型的输入特征,在电压存在波动的情况下展开智慧光伏场站最大发电量预测,以适应电压波动随机性,提高预测准确性。经过大量实验测试表明,所提方法具有更好的智慧光伏场站最大发电量预测效果,可以全面推动清洁能源技术的持续发展和应用。

基于工程尾流模型的风电场发电量评估

基于WAsP-Park1、WAsP-Park2、Park-Gauss和Bastankhah这4种工程尾流模型,对比了风电场中单一风向下风电机组的风速差异,并分析了工程尾流模型、尾流衰减因子、尾流速度亏损叠加方法、邻近风电场等因素对风电场发电量计算结果的影响。研究结果表明:1)同一风电场中,单一风向下,Park-Gauss模型计算得到的风电机组尾流速度亏损最大,WAsP-Park2模型的次之,WAsP-Park1模型的较小,Bastankhah模型的最小。2)不考虑邻近风电场的影响时,WAsP-Park1模型和WAsP-Park2模型计算得到的目标风电场的尾流损失基本一致;但考虑邻近风电场的影响时,WAsP-Park2模型的计算结果比WAsP-Park1模型的计算结果增大约3%~5%。同一工况下,与WAsP-Park1模型的计算结果相比,Park-Gauss模型的计算结果约为其1.5倍,Bastankhah模型的计算结果约为其0.4倍。3)对任意工程尾流模型而言,同一工况下,尾流衰减因子越小,目标风电场的尾流损失越大;尾流衰减因子每减小0.01,计算得到的目标风电场尾流损失的增幅基本在10%以上。4)当考虑邻近风电场的影响时,对于目标风电场的尾流损失而言,直接求和法的计算结果最大,平方和开根号法的次之,最大值法的最小。因此,对风电场进行发电量评估时,要综合考虑邻近风电场、尾流衰减因子及尾流速度亏损叠加方法的影响。