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。

一种基于集成学习和高斯过程的光伏发电量预测混合算法

集成算法被广泛应用于光伏发电量预测等工业场景。当没有足够的数据和工业知识储备时,该算法只能提供点预测,不能提供区间预测,降低了模型预测精度。为了解决该问题,文章提出了一种基于集成学习和高斯过程的光伏发电量预测算法。该算法利用集成学习进行光伏发电量的点预测,由多种算法组合而成,具有高精度特性。同时,文章所提的高斯过程算法将集成学习算法预测值作为输入、光伏发电量作为目标值,进行模型训练和迭代,高斯过程算法对模型进行区间预测,提高了模型的预测精度。实际的光伏场站案例验证了文章所提方法的有效性。

基于ISSA-SVR的短期光伏发电量预测

为提升光伏电站的发电量预测精度,提出一种基于改进松鼠搜索算法优化支持向量机回归的光伏发电量预测模型。首先提出适用支持向量机回归作为基础预测模型,然后提出一种改进的松鼠搜索算法对SVR中参数进行寻优,最后在测试ISSA寻优性能后,构建发电量预测模型,仿真结果证明本文所提模型的预测效果较好,为相关研究也起到参考作用。

聚类分析在光伏发电量预测中的应用研究

为了从光伏发电历年数据中筛选出有效样本,并提高光伏发电量预测模型的准确率,文章将聚类分析应用于光伏领域,并结合神经网络建立了光伏发电量预测模型。以晴天、多云和雨天3种天气类型为目标,利用聚类分析对历史数据中的异常样本进行筛选,并将筛选后的样本作为训练数据建立了反向传播(BP)神经网络预测模型。通过对比筛选前后预测模型的计算结果可知,利用聚类分析筛选后的数据所建立起来的预测模型精度较高,因此,聚类分析和BP神经网络相结合是提高光伏发电量预测精度的一种有效方法。

基于IOWA算子的短期光伏发电量组合预测

为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明:所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。

太阳能光伏发电量动力统计预报模式研究

以国外保加利亚鲁塞电站的历史气象资料及同期太阳能光伏发电观测资料为例,分析了不同气象要素与同期发电量的线性相关关系,构建了不同时间序列的光伏发电量统计预报模型,并对预报结果进行误差对比分析。研究结果表明,季节日值预报模型比全年日值预报模型、全年小时值预报模型和典型月日值预报的精度高。

基于CAR模型的短期光伏发电量预测

利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型.以华中科技大学电力电子研究中心18 kW并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性.应用结果表明,天气良好时,预测精度较高.

不同季节光伏发电量与气象影响因子的诊断分析

利用多时间尺度下并网光伏电站电量资料以及同期的气象资料,研究了不同季节下典型气象因子对光伏发电量的影响机制和多变量间的耦合关系.结果表明:采用日尺度,全年日光伏发电量与日太阳总辐射的相关性最显著,其余依次是日照时数、气温日较差、日相对湿度(负相关)、日最高气温、日平均气温;不同季节中,夏季要考虑高温高湿的影响,春、秋、冬3季则要考虑气温日较差的影响;采用小时尺度,全年平均逐时光伏发电量与太阳总辐射的日变化趋势基本一致.

基于模糊双曲正切模型的短期光伏发电量预测

通过对影响光伏发电量产生的因素进行分析比较,在模糊双曲正切模型的基础上,建立一种光伏发电量的短期预测模型。该模型既属于模糊模型,也属于神经网络模型的范畴。可以利用其强大的学习能力,以光伏发电系统的历史数据作为训练样本,对模型进行学习,并利用得到的稳定模型对光伏发电量进行短期预测。仿真结果表明,该预测模型与其他预测方法相比有更高的预测精度。

基于回声状态网的光伏发电量预测

对光伏发电系统的发电特性及影响发电的因素进行分析,建立了基于回声状态网的光伏发电量预测模型。该模型利用回声状态网的简单而独特的学习方法,将光伏发电系统的历史数据(如发电量、光照强度、温度)作为模型的学习样本,对网络模型进行学习,并利用学习稳定的模型对发电量进行预测。仿真实验表明,该预测方法能得到较高的预测精度。

基于典型气象周的GRNN光伏发电量预测模型

由于光伏发电量具有波动性,且现有的光伏发电量预测技术存在气象因素考虑不全面、特征提取不充分等问题,为提高光伏发电量预测精度,文中提出一种改进的典型气象年方法(TMY Method)生成典型气象年数据,并结合广义回归神经网络(GRNN)进行光伏发电量预测。首先,选择6种历史气象指标,利用Finkelstein-Schafer统计方法选择典型气象周,并生成典型气象年数据;然后,使用因子分析法对会影响光伏发电量的气象指标进行筛选,对筛选出的气象指标和日光伏发电量进行标准化处理后,将其作为GRNN模型的初始输入量,得到预测日的光伏发电量;最后,利用江苏省南京市的历史气象数据及日发电量数据对所设计的模型进行训练和预测。结果表明,与标准TMY Method-GRNN预测方法相比,文中所提预测方法有较好的预测性能。

雾霾条件下光伏发电量预测的迭代优化与经济性分析

光伏发电易受温度、辐照度等环境因素的影响,而近年来雾霾(PM_(2.5)浓度较高)污染严重,大幅降低了光伏系统发电量。因此研究雾霾天气下光伏发电量预测方法对光伏市场的发展具有重要意义。通过采集上海某户用光伏屋顶的全年光伏数据,利用控制变量法及雾霾相似日原理,拟合分析PM_(2.5)的浓度与发电量损失指数之间的关系,通过迭代原理优化光伏发电量预测算法,并给出雾霾环境下光伏发电量预测公式,修正光伏收益预测模型。结果表明:优化后的光伏预测发电量算法可提高发电量预测结果的精确性和稳定性。通过对3种光伏经济模型进行收益分析,验证了迭代优化算法可有效提高光伏收益预测的精确性。

北京地区雾霾对光伏发电量影响的灰色关联度分析

结合北京地区实际环境因素和某光伏并网发电系统运行数据,对PM2.5和环境温度进行等级划分。利用灰色关联度模型,得到系统因素(PM2.5浓度、环境温度)与系统特征(组件温度、辐射量、发电量)之间相互影响的灰色关联度及系统准优因素和准优特征。发现轻度雾霾时,对发电量影响可忽略不计;中度雾霾且环境温度偏低时,PM2.5影响组件温度,环境温度升高时,影响辐射量;重度污染甚至严重污染时,PM2.5主要影响辐射量,对组件温度影响小。

雾霾影响光伏发电量的机制分析与实验

在雾霾天的影响下,大气中细颗粒物(PM2. 5)浓度较高,使得太阳能的直接辐射较低,散射辐射增加,因此,光伏组件表面接收到的辐照度减小。对已有发电量估算式进行修正,提出了一种估算发电量的公式,使其与实际发电量的误差范围在±5%以内。探究了PM2. 5浓度对辐照度、辐照量及发电量的影响。通过上海某户用光伏屋顶进行实验验证,采用雾霾控制变量法及相似日原理,分析PM2. 5造成的辐照度损失及发电量损失,并对其之间的关系进行拟合。同时,提出光伏发电量损失指数的概念,对光伏系统的装机容量及光伏系统可靠性提供参考。

基于ACO-KF-GRU-EC的光伏发电量组合预测模型

在光伏发电量的预测中,光伏发电量数据序列本身具备非线性特征和线性特征,且预测所产生的误差是有规律可循的。提出了一种基于蚁群算法(Ant Clony Optimization, ACO)、GRU神经网络(Gated Recurrent Unit, GRU)、kalman滤波(Kalman Filtering, KF)和误差补偿机制(Error Compensation, EC)的光伏发电量数据序列组合预测模型(ACO-KF-GRU-EC)。模型首先将光伏发电量分解为线性部分和非线性部分;然后利用蚁群算法优化GRU神经网络的初始权值和阈值,将优化后的GRU神经网络来进行光伏发电量数据序列非线性部分的预测,使用Kalman滤波进行线性部分的预测;最后对光伏发电量数据预测误差进行研究,利用误差补偿机制来实现对于预测误差的二次提取。仿真结果表明,与GRU、ACO-GRU模型相比,上述预测模型的预测精度更高,具有更好的预测效果,是一种更为有效的预测方法。

基于D-S证据理论的光伏发电量预测

结合北京地区实际环境因素和某光伏并网发电系统运行数据,对光伏系统发电功率进行预测。利用决策树算法,设环境温度、组件温度和辐射量为系统特征,发电量为决策标签,得到特征的分类主次关系,进而将原始数据划分为数个集合作为D-S证据理论中的证据。提取集合中的权重系数并将其等效为证据理论中的基本信任分配函数,并进行证据的融合,最终得到预测结果。最后对比分析经过D-S证据理论融合的预测数据和平均值法得到的预测结果,并计算分析绝对误差和相对误差,验证了D-S证据理论预测的准确性,所预测的光伏发电功率可指导光伏并网发电生产。

面向低碳的分布式光伏发电量自动预测研究

目前的分布式光伏发电量预测方法的运算量大,导致预测精度较低,同时影响了分布式光伏发电量预测的效率,所以研究面向低碳的分布式光伏发电量自动预测。通过面向低碳的分布式光伏发电区域划分,分析分布式光伏发电特征在发电机组内的发电功率之间的关联性;以关联性较强的分布式光伏发电数据为代表,选择分布式光伏发电数据;经过影响发电量的天气因素特征提取,确定天气因素特征包括环境温度、太阳辐射照度和光照时间;建立分布式光伏发电量自动预测模型,输出下一时刻的光伏发电量,完成预测。经实验论证分析,与两种传统模型相比,本文模型能够减少预测的时间消耗,具有更好的预测效率;在晴天条件下,本文模型在不同时刻的预测误差率均在5.00%以内,在不同天气条件下的预测误差均在允许范围内;与两种传统方法相比,本文方法的Skill值更大,证明精度提高幅度较高,RMSE值和nMAE值更小,证明本文方法的预测精度更高,同时能够在不同的时间精度下较好地预测当日的光伏发电量,证明本文方法具有有效性。

基于多层感知器的区域电网光伏发电量预测研究

伴随着高端制造业、信息通讯技术、发电技术的不断发展,光伏等新能源发电技术不断提升。近年来随着光伏发电的普及,各城市已掀起分布式光伏发电的热潮,研究光伏发电量预测可为城市发电总量预测提供一定支持,也可为未来长期的光伏发电研究提供理论依据。本文采用多层感知器(multi-layer perceptron, MLP)对上海、江苏和浙江的光伏发电量数据预测,预测结果显示了该算法是一种有效可靠的光伏发电量预测的算法,为供电侧的发电量规划提供给一定的基础支撑,也为提升城市总发电量的预测精度奠定基石。

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。

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。