基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究

现有光伏发电量预测模型大多以太阳辐照度作为必要的输入,然而,由于当前国内太阳辐射站点仍较稀少且预报能力较低,因此此类预报方法难于实施。利用距离分析方法分析光伏发电量与气象因素间的相关性,确定以气温和湿度作为预报输入因子,建立反传播(back propagation,BP)神经网络的无辐照度发电量短期预报模型。此外,为适应天气突变,采用自组织特征映射(self-organizing feature map,SOM)由云量预报信息对天气类型聚类识别,继而对各天气类型采用相应的预测网络,避免了单神经网络的过拟合问题。通过与含辐照度输入及无天气聚类识别的预测模型做交叉对比实验,预测结果表明,天气类型聚类识别能显著提高预测精度,无辐照度光伏发电量短期预测模型有较高的精度和50%湿度抗扰动性。

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。

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。

基于多传感器系统的光伏并网发电功率预测

针对耦合性较强的多维气象数据,在光伏(PV)多传感器系统中获取有效数据的基础上,提出了一种基于雾霾因素影响的数据挖掘光伏发电预测方法。利用多传感器采集大数据,利用逐步选择法对多维变量进行约减,有效降低了不同天气因素之间的耦合性。通过混合高斯聚类算法对样本进行聚类,并分别建立不同的径向基函数(RBF)神经网络模型,经过模糊推理的方法选择适当模型,实际预测结果验证了方法的高精度和实用性。

基于GWO-EEMD-BP神经网络的光伏发电功率短期预测

为了实现复杂气象条件下光伏电站发电功率的准确预测以减少并网冲击,基于GWO算法耦合EEMD技术和BP神经网络算法构建复杂天气情形下光伏电站发电功率有效预测模型。引入EEMD技术降低极端天气下历史发电功率的波动性,利用GWO算法优化BP神经网络算法随机分布的权重和阈值以提升预测结果的精度,并利用所建立的GWO-EEMD-BP神经网络预测模型和传统的EEMD-BP神经网络预测模型对不同复杂气象条件下的光伏发电功率进行预测。研究结果表明:相较于传统的EEMD-BP预测模型,本文所建立的GWO-EEMD-BP神经网络预测模型通过阈值和权重优化及分解重组可有效提升不同复杂气象条件下预测结果精度。

基于EEMD和IPSO的SVM短期光伏出力预测

针对光伏发电短期预测准确性问题,提出一种基于集合经验模态分解(EEMD)和改进粒子群优化算法(IPSO)的支持向量机(SVM)预测模型。该模型选择与预测日具有相同天气类型的历史光伏小时出力数据及相关气象因素作为输入变量,采用EEMD方法将历史光伏小时出力数据分解为一系列相对比较平稳的分量序列,针对不同特征子序列,建立选用不同核函数的SVM模型分别进行短期预测,并采用IPSO对不同SVM模型的参数进行优化。通过建立不同预测模型进行比较分析,验证了本文提出的组合预测模型具有较高的预测精度,对大规模光伏并网电力系统的决策优化调度具有一定的意义和参考价值。

结合相似日与改进神经网络的短期光伏发电预测

为提高光伏发电预测精度,本文运用灰色关联理论分析历史气象数据,筛选出与待测日天气数据关联度较高的历史数据组作为相似日集合。建立经思维进化算法优化的BP神经网络预测模型,将上述相似日集合作为训练样本代入预测模型用于预测光伏发电功率。以澳洲某光伏系统的数据为例进行预测,结果表明,相比传统BP神经网络法、RBF神经网络,结合相似日与思维进化算法优化神经网络的光伏短期发电预测方法具有更高的预测精度。

基于时空相关性的短期光伏出力预测混合模型

光伏功率预测是电网优化调度、稳定运行的关键基础,为了应对传统预测模型对潜在特性发掘不到位等问题,提出了基于时空相关性的短期光伏出力预测混合模型。它由图卷积神经网络GCN(graph convolutional neural network)、辛几何模态分解SGMD(symplectic geometry mode decomposition)、卷积神经网络CNN(convolutional neural network)和双向长短期记忆BiLSTM(bi-directional long short-term memory)神经网络组成。首先,建立区域光伏电站图结构,利用GCN推导出待测电站空间信息;其次,采用SGMD对输入特征进行模态分解,得到表现数据时序变化特征的多级模态子序列;最后,采用CNN-BiLSTM神经网络进行特征提取和光伏发电功率预测。实验结果表明,与多种组合预测模型相比,所提方法具有更高的预测精度。