光伏发电出力预测技术研究综述

准确的光伏发电出力预测对于保障高比例光伏接入后系统的安全稳定与经济运行具有重要意义。目前我国对于光伏发电出力预测技术的研究尚处于广泛研究阶段,本文对光伏发电出力预测技术的研究成果进行归纳总结。首先,分析光伏发电系统的发展及预测现状;然后,从点预测、区间预测和概率预测三个方面,分别对当前的预测方法及技术、预测效果的衡量指标等进行了梳理、归类、总结和评述;最后,根据目前我国光伏产业的现状及发展趋势,探讨未来光伏发展及出力预测的研究方向。

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题。文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法。建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除。实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测。

光伏出力预测理论与方法综述

大规模光伏发电并网给我国电力系统运行的稳定性带来了巨大挑战,因此,光伏发电出力的精确预测至关重要。论文对光伏出力预测理论与方法进行系统综述。首先,对光伏出力预测进行分类,特别是按预测形式分为点预测和不确定性预测。其次,通过物理方法、统计方法、人工智能方法及组合方法进一步阐述光伏出力预测;其中从机器学习和深度学习两个方面对人工智能方法进行详细介绍。然后,梳理了点预测和不确定性预测的评价指标,归纳了人工智能预测模型的优化技术。最后,根据我国光伏出力预测的发展现状,对未来的研究趋势做出展望。

基于数值特性聚类的日前光伏出力预测误差分布模型

光伏出力预测误差难以避免且不容忽视,预测误差分布的准确描述有利于电力系统的优化调度和稳定运行。基于此,分析预测误差分布与其影响因素之间的相关性,提出一种基于数值特性聚类的日前光伏出力预测误差概率模型。利用模糊C均值聚类法对预测误差的整体水平进行分类,再依据预测出力的数值特性进行分区处理,并建立了适用于估计误差分布的通用型高斯混合模型。该分析方法综合考虑了气象因素和预测出力数值特性对预测误差的影响,可以较为准确地估计不同时刻的预测误差,给出预测误差分布的置信区间,且不受预测算法和光伏电站地理信息的限制。基于比利时和中国西北地区光伏系统历史数据的分析结果表明,所提误差模型可描述光伏出力预测误差分布偏态性和峰度多样性,效果优于其他分布模型,能够用于描述不同情况下的日前光伏出力预测误差分布。

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于"弃光"现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。文中介绍了XGBoost算法的基本原理,引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分。训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择SVM和LSTM两种预测方法进行,实验结果表明XGBoost算法在预测光伏发电中具有较高的准确性和实用性。

基于PSO-BP算法的光伏发电功率预测

为准确预测光伏发电功率,在算法方面采用了在其他领域已较为成熟但在光伏预测领域鲜少使用的PSO-BP算法,对真实数据进行采集和处理并进行算法模型构建,较为准确地对光伏发电的输出功率进行了预测。在完成预测后,对误差进行了分析,明确了之后研究和改进的方向。