利用最佳相似日的光伏电站短期出力预测

提出一种基于最佳相似日的光伏电站短期出力预测方法。该方法利用密度指标确定初始聚类中心优化K-means聚类算法,采用加权欧式距离法获得历史样本的出力水平相似日集,采用相关系数法获得历史样本的曲线形状相似日集,确定预测日出力水平相似日集和曲线形状相似日集,选取两集合的交集样本作为最佳相似日。建立BP神经网络出力预测模型,采用光伏电站的实测数据训练预测模型,对比不同类型天气的预测结果与实测数据,表明论文的预测方法具有较高的预测精度。

基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测

针对传统光伏功率预测精度比较低的问题,文章提出了基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测模型。首先,对多个气象指标和光伏电站的输出功率进行了相关性分析,并选取了相关度较高的气象数据作为模型的输入因子,利用TOPSIS算法选择出最优相似日;然后,将光伏电站输出功率理论值和气象数据建立GRNN预测模型;最后,结合DKASC网站上的历史气象数据和功率数据,对该模型进行了仿真试验并验证。试验结果得出功率预测精度RMSE平均值为0.8269 kW,MAPE平均值为3.45%,MAE平均值为0.0195 kW。该预测方法的预测精度明显高于单一预测模型,具有一定的理论和实用价值。

基于混合灰色关联分析-广义回归神经网络的光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。