基于不确定性天气数据的光伏发电系统电量分时段预测

光伏发电作为一种环境友好、可再生的能源,已经得到广泛的应用和重视。然而,在实际使用中光伏发电量的波动性很大,主要取决于光照、气温等天气因素。因此该文提出一种基于不确定性天气预测数据的光伏发电系统发电量分时段预测方法。该方法引入SolarPredictor模型,使用公开的天气预报数据进行光伏发电厂的发电量预测。此外,由于该模型可以根据某段时间内真实的天气预报数据进行训练,提高了预测精度,同时还可以得到天气预测数据中的错误。实验结果表明,该模型在对短时间段和长时间段的预测结果均优于传统的预测方法。

冬季城镇居民用户燃气日负荷分时段预测方法研究

准确预测城镇燃气管网各用气终端的日负荷,是上游供气企业制定合理的生产销售计划、中游燃气管网规划设计与下游各城市燃气公司优化调峰调度和实现供需平衡的前提条件。为此,采用k折交叉验证法优化了支持向量机(SVM)的模型参数,建立了适用于民用气为主的M市冬季降温时段和非降温时段燃气日负荷SVM预测模型。通过对M市SVM分时段预测模型进行精度与适应性对比分析,结果表明:基于SVM分时段预测模型的日负荷精度优于不分时段,平均绝对百分比误差MAPE在2%~3.8%之间,具有较高的预测精度及模型适应度。同时,冬季降温时段日负荷的预测误差大于非降温时段。此外,为提高预测精度,预测天数建议设为2天~4天。

基于相似时段的分时段光伏出力短期预测

针对历史气象数据较少、天气波动较大时光伏出力预测精确度较低的问题,提出一种适用于小样本和多种天气下的分时段光伏出力综合预测法。该方法结合了分时段神经网络模型和相似时段筛选法,将分时段神经网络模型作为相似时段筛选法在相似度不够时的补充:分时段神经网络模型利用光伏出力历史数据对预测模型进行训练,采用近相似时段神经网络进行预测,摆脱了历史气象数据的制约。多种气象条件下对光伏出力的训练与预测验证了所提方法的有效性。

基于气象信息粒还原的台风分时段短期负荷预测

台风期间气象会经历三段式变化,电力负荷的周期性模式被打破。为了提高台风影响期间负荷预测的准确度,该文提出了基于气象信息粒还原的台风分时段负荷预测方法。将台风期间负荷水平的变化趋势看作分段函数,利用台风模式的判定条件进行分时段,适应台风过境过程气象变化规律;依据台风期间统调负荷与台风影响城市负荷变化的相关度较大,利用多元线性回归拟合关键因素建立负荷变化量模型;当风速达到一定阈值,考虑破坏性台风的损失负荷;采用气象信息粒还原方法,寻求近似无台风属性的环境来建立统调基础预测模型。该文运用南方某电网的相关数据进行验证,仿真结果为台风期间电网的调度安排提供了较为准确的数据支持。