基于场景法的含电动汽车接入微电网随机优化调度模型分析

针对电动汽车接入微电网带来的一系列问题,基于场景法,提出了一种针对含电动汽车接入的微电网随机优化调度模型,并通过实验验证该模型的有效性和可行性。实验结果表明,该模型能够实现微电网经济效益最大化。同时,通过“削峰填谷”策略,电动汽车用电总成本降到了最低,为微电网优化调度提供了新的思路和方法。

基于OOA优化BP神经网络的光伏发电功率预测

准确预测光伏发电功率是保障电网平稳运行的关键环节,但由于光伏发电系统输入变量较多,造成标准BP神经网络系统对发电功率预测的精度不理想。基于OOA优化BP神经网络的预测模型(OOA-BP),可以提高预测精度。将总辐照度、直射辐射、散射辐射、气温、气压和湿度6种类型数据作为OOA-BP神经网络预测模型的输入量,并将其预测结果与标准BP神经网络进行对比。结果表明:相较于标准BP神经网络模型,OOA-BP神经网络预测模型通过优化阈值和权值,可以有效提升光伏发电功率的预测精度和预测效率。

基于QPSO-LSTM的超短期风电功率预测

针对受风速随机性、波动性等特点的影响而导致风电功率难以预测的问题,本文提出了一种基于QPSO-LSTM的超短期风电功率预测模型。利用量子粒子群算法对长短期记忆网络的超参数进行寻优,构建QPSO-LSTM预测模型;将辽宁某地区风电场的历史数据作为数据集,对模型进行训练,训练好的模型进行预测,采用均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)、平均相对百分误差(mean absolute percentage error, MAPE)、决定系数(R2)作为评价模型性能的指标;通过消融实验和对比实验,分析结果表明本文所提出的基于QPSO-LSTM的超短期风电功率预测模型的性能最好,精确度最高,适用性最佳。

基于GA-BP神经网络的短期微电网负荷预测模型研究

精准的负荷预测是保障微电网安全运行的基础。为提高短期微电网预测精度,解决预测实时性响应不足的问题,本文首先提出了一种遗传算法-误差反向传播算法(genetic algorithm-back propagation, GA-BP)神经网络的短期微电网负荷预测模型。其次根据负荷数据的时序相关性,选取相似日作为训练数据集。再次将遗传算法融合到BP神经网络的参数优化中,建立GA-BP神经网络预测模型。训练数据集对模型进行大量训练学习后,根据多种影响因素进行预测,通过与实际数据的对比,检验预测模型的准确性。最后进行对比实验,使用多种评价指标来比较不同模型的预测结果,对比结果表明该算法稳定性最高,性能最好,是一种实用的预测模型。