光伏充气膜温室自跟踪发电系统发电量预测

针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法。首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络。该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解。实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题。

光伏充气膜温室发电系统短期功率预测研究

针对光伏充气膜温室发电系统的功率预测问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的EEMD-SVM组合预测法。仿真结果表明:和传统预测法相比,利用EEMD-SVM组合预测法进行光伏充气膜温室发电系统功率预测,具有较高的预测精度,能够有效减少对温室机电设备的冲击,对光伏充气膜温室发电系统经济、安全、稳定运行具有一定的参考及应用价值。