福建水电站群短期发电量最大优化调度模型与算法研究

本文根据福建水电站群的实际情况建立过渡性模型和周期性模型 ,用于解决福建水电站群短期发电量最大优化调度问题。并给出了通过建立对偶问题、采用惩罚函数、以及变量替代等方式来对约束条件进行处理的较为详细的求解过程。

基于遗传算法优化BP神经网络的短期发电量预测

针对传统神经网络的网络初始权值和阈值随机给出,训练结果易陷入局部极小值的问题,本文提出一种采用遗传算法(GA)对BP网络的初始权值和初始阈值进行优化的方法.通过模拟生物进化中的自然选择和遗传机理,首先将网络的初始权值和初始阈值表示为染色体基因编码,再利用遗传算子进行组合交叉、变异、选择,产生出新的染色体来完成初始参数优化,形成初始权值和初始阈值,最后经BP网络训练得到最终权值和阈值,建立用于短期发电量预测的网络.实验结果表明,与传统BP神经网络预测方法相比,该预测方法精度更高,为短期电量预测提供了一种新途径.

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation,BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory,LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。

采用PCA-CSA-Informer模型的光伏短期发电量预测

为提高光伏发电的预测精确度,提出一种结合主成分分析(PCA)、双通道注意力(CSA)机制和Informer的短期光伏发电量预测新模型.采用Spearman相关分析方法对光伏发电的多元时间序列进行分析,并结合PCA提取时序特征,构建输入数据集.同时,引入CSA机制模块,提取光伏发电历史数据的时间维度和空间维度的特征,然后输入Informer模型进行预测.采用以30 min为分辨率的光伏电站公开数据集进行实验验证和对比分析.实验结果表明,本研究所提出的预测模型在4步预测中的平均绝对误差为0.061 5,均方误差为0.020 5,均方根误差为0.143 5,R~2为0.987 2,均优于其他比较模型,有望为光伏短期发电量预测提供更好的预测精确度.

主成分分析结合神经网络的光伏发电量预测

针对光伏发电量预测模型主要以气象因素、历史发电量等作为BP神经网络的输入,输入量多、数据冗余、网络难以收敛。利用主成分分析法PCA(principal components analysis)分析原来多个输入变量反映的个体信息,提取较少的几项综合性变量,减少预测模型的输入量。同时利用遗传算法优化BP网络的权值阈值建立预测模型,克服了神经网络算法的局部收敛、训练速度慢等问题。实验结果表明,该方法提高了预测精度,为解决光伏系统发电量预测提供了一种可行方法。

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。