考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法

针对风电和光伏时序数据单独聚合改变风电-光伏序列相关性的问题,提出因子分析-极限学习机聚合方法。首先,将z-score标准化的风电-光伏原始日场景集分解为水平分量日场景集和波动分量日场景集。其次,对水平分量日场景集进行近邻传播聚类,得到K类场景簇,再通过分层抽样获取2n天的水平分量日场景集。在标准化的风电-光伏原始日场景集中选取对应2n天的原始日场景集,分别得到n天的训练集和n天的测试集。然后,通过极限学习机获取水平分量日场景集和原始日场景集之间的映射关系,输出拟合功率日场景集。最后,通过反标准化,分别得到n天的风电和光伏功率的聚合序列,并通过概率统计指标、相关系数、仿真计算结果验证所提方法的准确性和可行性。

风电-光伏发电-抽水蓄能联合优化调度方法

为解决电力市场环境下的风电、光伏发电、抽水蓄能协同互补问题,提出了一种同时参与日前市场和实时平衡市场的风电-光伏发电-抽水蓄能联合优化调度方法。该方法考虑风电和光伏发电出力的不确定性,基于生成对抗网络和峰值密度聚类算法生成风电、光伏发电联合出力典型场景;基于抽水蓄能的灵活调节特性,并考虑风电和光伏发电实时出力引起的平衡成本,构建了风电-光伏发电-抽水蓄能联合参与日前市场和实时平衡市场的两阶段随机联合优化调度模型,最大化风电-光伏发电-抽水蓄能联合发电系统的收益。算例仿真结果表明,该方法具有有效性和合理性。

风电和光伏发电功率联合预测与预调度框架

随着多区域互联电力系统的发展,风电、光伏等新能源发电大规模并网,风电-光伏功率的联合预测和协调调度是必然趋势和迫切需求。为此,从风电-光伏发电的时空相关性分析出发,对风电-光伏功率时空耦合、风电光伏联合预测建模、风电光伏联合预测模型参数优化、考虑风电-光伏联合预测的电力系统预调度等方面进行了分析讨论。首先,研究揭示风电-光伏功率在时间-空间上的交互影响机理,提出面向多时间尺度的风电-光伏功率时间互补性分析方法,建立风电-光伏发电空间相关性量化模型,构建基于多阶图卷积神经网络风电-光伏发电时空耦合模型;基于此,研究提出了融合异构图神经网络的风电-光伏联合预测方法,建立了风电-光伏联合预测模型参数优化模型,构建了新能源有功功率预测误差矢量评价体系,为风电-光伏联合发电系统的协调调度和控制提供决策支撑;在风电-光伏联合发电预测的基础上,采用风电、光伏发电时间互补、空间互济的思路探讨了风电-光伏联合的电力系统预调度策略和方法,对不同时间尺度风电-光伏的协调调度策略进行了剖析,建立了电网-区域-集群-场站空间递阶的风电-光伏联合发电系统分层调度框架。最后,展望了未来风电-光伏联合预测与预调度方面应研究的方向。

基于指数分布优化器的混合光伏-温差系统最大功率点跟踪

为解决混合光伏-温差(photovoltaic thermoelectric generator,PV-TEG)系统的最大功率点跟踪(maximum power point tracking,MPPT)问题以提高能源转换效率和利用率,提出了一种基于指数分布优化器(exponential distribution optimizer,EDO)的混合PV-TEG系统MPPT技术。EDO通过模拟指数分布的随机变化来搜索潜在的解空间,由于随机性,算法可有效避免在局部遮蔽条件(partial shading condition,PSC)下陷入局部最优,并在搜索空间中广泛探索以找到最优解。算例研究包括启动测试、太阳辐照度阶跃变化、随机变化、香港地区四季实际算例4个部分,并与其他5种算法进行对比分析,以较为全面地验证所提EDO技术在混合系统MPPT应用中的可行性和有效性。仿真结果表明,采用EDO的混合PV-TEG系统在不同运行条件下均能稳定、高效地实现最优越的MPPT性能,尤其是在春季低辐照度的条件下,EDO产生的能量分别超过蜻蜓算法(dragonfly algorithm,DA)、增量电导法(incremental conductance method,INC)、扰动观测法(perturbation observation method,P&O)能量输出的68.85%、66.13%和59.69%。

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition,CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression,RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network,BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。

风电-光伏-抽蓄-电制氢多主体能源系统增益的合作博弈分配策略

根据清洁能源示范基地的建设需求,提出基于合作博弈论的风电-光伏-抽蓄-电制氢多主体能源系统联合优化运行的增益分配策略.为兼顾系统运行安全性,构建上网出力互补性评价指标.风电、光伏、抽蓄、电制氢利益主体通过内部电量交易进行合作,以系统运行收益最大为优化目标构建联合优化调度模型.根据调度结果,应用合作博弈论中的最大最小成本法分配系统合作增量收益.利用风电-光伏-抽蓄-电制氢清洁能源示范基地12利益主体系统算例进行仿真验证,结果表明联合优化运行可实现各利益主体自身收益正增长,抽蓄库容、上网电价以及运行安全性需求会影响系统的合作增量收益.

基于时空相关性的光伏发电功率爬坡预测方法

传统的光伏发电功率预测方法爬坡预测可靠性较低,准确性不高。于是提出一种时空相关性的光伏发电功率爬坡预测方法。在典型日理想光伏发电出力归一化曲线提取基础上,采用线性插值方法生成光伏发电理想出力归一化曲线。通过蒙特卡洛法生成光伏发电随机分量,结合光伏发电与随机分量生成光伏发电序列;通过偏移爬坡率及变量状态划分方法构建信度网络节点变量和各节点变量的状态集;利用贪婪搜索算法从已有变量的状态集中获取最优信度网络结构后,进行光伏发电序列学习,完成光伏发电功率爬坡事件预测。实验结果表明,上述方法可有效完成光伏发电序列生成,并且爬坡预测可靠性较高,可实现多种气象条件下的光伏发电功率爬坡预测。

基于多任务渐进式学习模型的风-光-荷功率短期预测

同一地区的风电、光伏和负荷功率与风速、辐照度和温度等气象因素密切相关,在电力系统不同运行场景下存在一定的互动耦合关系。为了捕获多源荷间的差异性和相关性,挖掘高维数据中蕴含的潜在规律,提出一种基于深度时空融合网络的多任务渐进式学习模型,实现风-光-荷联合功率预测。首先,基于深度时空融合网络设计共享信息与特有信息子网;然后,构建计及时空相关性的多任务渐进式学习模型,分别对风、光、荷功率的共享和特有时空信息进行由浅至深渐进式提取;最后,将共享信息与特有信息子网所得特征向量进行融合映射,实现对未来风-光-荷功率的联合预测。实际日前风-光-荷联合预测算例结果表明,所提模型可弥补现有多任务模型出现“负迁移”和“跷跷板”现象的不足,提高预测精度和稳健性。

敦煌太阳辐照与光伏发电功率相关性分析

基于2012年1到3月敦煌太阳总辐射逐小时观测资料和敦煌某光伏电厂逐小时有功功率资料,分析太阳辐射与光伏电厂发电功率的相关性,采用统计回归方法,建立光电转换回归统计方程。通过相关性分析和回归方程的建立,将有效提高甘肃省河西地区光伏发电功率预报预测能力,对于提高光伏发电利用小时数、促进甘肃省河西地区光电外送及消纳将起到极大的推动作用。

主动配电网中计及时序性与相关性的分布式光伏并网规划

该文提出一种主动配电网中计及时序性与相关性的分布式光伏长短期规划-运行双层机会约束优化模型。下层短期模型考虑了每个时段内主动配电网运行优化从而决定最佳主动管理策略,上层长期规划以下层短期优化为基础,考虑主动配电网整个规划阶段年综合经济成本最优从而决定光伏安装位置与容量。针对光伏与负荷之间相关性、概率分布时序差异性特点,提出改进相关矩阵法与拉丁超立方技术相结合的方法,并利用该方法通过划分时段对光伏与负荷的出力进行时序相关性处理。在此基础上,采用概率潮流法与嵌套的模拟退火粒子群算法（simulated annealing particle swarm optimization,SAPSO）相结合的混合智能算法对上述模型进行求解。选取IEEE33系统进行算例分析,仿真结果验证所提方法的合理性与有效性。

计及功率损耗的分布式光伏-储能系统出力优化及容量配置方法

分布式光伏与储能(PV-BES)接入配电网可将不可控的光伏电源转化为可控电源,进而减小功率损耗并提高电压水平与稳定性。文章建立了以功率损耗变化率为判据的含有功、无功损耗的PV-BES系统出力优化模型;基于遗传算法对模型求解,在配电网不同负荷水平下对PV-BES系统出力进行优化;考虑成本经济性对光伏、储能系统容量进行配置。基于IEEE33节点系统仿真结果表明,文章方法与传统解析法相比,能明显降低功率损耗并提高电压水平。

基于分层控制策略的光伏-蓄电池系统动态提高并网点功率因数

提出了一种利用多功能光伏-蓄电池组合发电系统提高并网点功率因数的新方案,可降低光伏发电的成本、减少无功补偿设备的投资、增加用户经济效益以及提高电网供电能力。在综合考虑并网逆变器的额定容量、光照条件及负荷功率瞬时变化等实际情况下,分析系统多种运行模式,提出一种分层控制策略,实现了运行状态的无缝转换,保证在逆变器额定容量下输出有功的同时提供无功补偿以动态提高并网点功率因数。当电网需求逆变器输出无功较多导致有功输出受限而光伏仍有更多有功输出时,将光伏剩余出力储存至蓄电池以尽可能减少弃光,提高光伏利用率。在低光照或夜间时,蓄电池放电维持直流母线电压,使逆变器可继续发出无功功率,同时实现光伏软关闭。建立了多功能光伏-蓄电池发电仿真系统,仿真结果验证了所提方案的可靠性。

基于高斯-赛德尔迭代法的光伏电池参数辨识与最大功率点基准曲线的研究

光伏电池的I-V输出特性包含超越方程。文章首先利用光伏生产商提供的标准条件下的数据手册,基于高斯-赛德尔迭代法,提出了一种新的模型参数求解方法;然后,根据模型参数与光照强度、温度之间的关系式,确定出任意环境条件下最大功率点的基准值(功率、电流、电压),并且给出了最大功率点基准曲线的绘制方法;最后,通过将实际光伏电站求得的基准值和实测数据进行比较,验证了方法在实际运用中具有可行性。

基于电压-功率扫描的光伏多峰快速MPPT方法

针对现有光伏最大功率点跟踪MPPT(maximum power point tracking)技术在功率多峰值情况下的不足,提出一种基于电压-功率扫描的多峰快速MPPT方法。首先通过仿真分析了光伏陈列在局部阴影状态下的输出特性;然后提出通过对光伏输出端并联电容的电压-功率扫描实现现况下全局最大功率点识别的总体思路;紧接着给出了实现端口电压扫描的主电路拓扑,并对其进行了状态分析和控制算法设计;最后对所提方案进行了Mat?lab仿真与样机试验验证。结果表明,该方案能稳定、快速、有效地实现对当前全局最大功率点的追踪与锁定。

针对光伏发电功率预测的LSTformer模型

为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycleEmbed),利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈(time convolution feedforward,TCNforward)单元,在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据,通过实验验证LSTformer模型在光伏发电功率预测领域得到最低的均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE),并通过消融实验验证了各模块的有效性。

基于模糊-下垂控制的光伏直流微电网混合储能功率分配及母线稳压研究

针对离网型光伏直流微电网中光伏输出功率与负载消耗功率不匹配引起的母线电压波动问题,通常采用蓄电池和超级电容相结合的混合储能装置进行补偿,一般通过下垂控制对储能装置进行功率分配,传统下垂控制很难实现下垂系数按照不同频率特性的功率波动进行有效调节,其分配特性还会受线路阻抗等其它因素的影响。文章在传统下垂控制的基础上提出了模糊-下垂控制策略,实时优化下垂系数,平抑系统内部因素所引起的负面影响,实现直流微电网中不平衡功率在蓄电池和超级电容间的合理分配。通过MATLAB/Simulink仿真证明,所提出的模糊-下垂控制策略能够有效实现直流微电网中的功率调节,抑制母线电压的波动,提高了系统的鲁棒性。

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。

基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入N-HiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。

基于VMD-MWOA-ELM的日前光伏功率预测

为了提高光伏发电功率的预测精度,提出一种结合变分模态分解、多策略改进的鲸鱼优化算法和极限学习机的光伏日前预测方法。利用变分模态分解影响光伏功率的关键气象因素,获得不同特征规律的本征模态分量,降解了数据的随机波动性,减少了噪声的影响。引入鲸鱼优化算法,利用多策略改进的鲸鱼优化算法(MWOA)对ELM模型的权重和偏置系数进行优化,获得最终的光伏功率预测结果。仿真结果验证了所提方法的有效性与优越性。

高斯-赛德尔法求解光伏阵列最大功率点基准值

为了快速且准确地求解光伏电池模型参数,进而求解局部阴影条件下光伏阵列的最大功率基准点值,采用高斯-赛德尔法,从工程实际出发,根据局部阴影下的光照情况,把光伏阵列模型分解成光照均匀条件下的多个新光伏阵列模型,利用光伏电池数据手册可以快速且准确地求解模型参数。仿真结果表明:高斯-赛德尔法能够快速且准确地求解拆分后模型的光伏阵列最大功率点基准值;该方法适用于光伏阵列在局部阴影条件下的输出特性和各个峰值点最大功率基准值求解问题。