摘要：为了提高短期光伏功率预测效率,设计了一种基于Elman神经网络的短期光伏功率预测方法。在确定网络结构与各项参数的基础上实现准确预测,该方法受到训练后表现出很高的准确率和合理性。研究结果表明:类簇数据表达到了较大相似度,类簇间数据表现出了明显差异特征。采用优化方法开展发电功率预测,建立预测值和实测值的关系,预测日达到了与实测值相近的预测结果,采用优化聚类算法获得了更精确预测结果。通过该算法优化后,预测误差均值明显下降,IMSE均值下降幅度约80%,获得更有效的聚类结果,采用优化聚类处理可以促进短期预测精度的有效提升。该研究可以拓宽到其它的同类领域中,具有很好的实际推广价值。

摘要：为进一步提升运动云层引起的突变型辐照场景下光伏功率超短期预测准确度,提出一种计及云图和混沌特性的组合预测方法。首先,结合不同地基云图特征提取与匹配算法建立两阶段云速求解模型以精准预测云分布;其次,通过挖掘辐照度时间序列的混沌特性,提出一种“地基云图-光伏功率”映射关系动态建模方法以准确量化云分布对光伏功率的影响;最后,构建基于支持向量机云分类模型的组合预测方法并通过算例验证所提方法的有效性。

摘要：提出一种基于自组织映射网络(SOM)聚类和二次分解的双向门限循环网络(BiGRU)超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。

摘要：随着光伏发电在电力系统中的日益普及,表征其固有的不确定性变得越来越重要。针对现有光伏场景生成方法过分依赖统计假设和模型训练不稳定等问题,提出了一种含有梯度惩罚的改进生成对抗网络光伏功率场景生成方法。该方法首先以Wasserstein距离作为损失函数设计生成器和判别器两个深度神经网络进行对抗训练,其次在损失函数中引入一种梯度惩罚策略增强模型的Lipschitz连续性约束并创新性地应用于光伏功率的场景生成,提高了场景生成模型的收敛速度和生成场景的质量。所提方法能够捕获光伏出力的非线性,且无需建模假设和复杂的采样技术。算例分析表明,该方法能够精准捕捉光伏功率的分布特性,具有很强的泛化能力,并且优于其他先进的场景生成方法。

摘要：针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。首先,基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数(radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。

摘要：设计了将全天太阳辐照量转换为光伏功率的函数导出流程.利用本公司区域内设置于20 个地点的太阳辐照强度计所测得的全天太阳辐照量,与区域内30个地点设置的平时计测PV功率 数据,由此计算出特性曲线,再将该特性曲线参照整个区域全额购买PV的实际电量,按月分别求得 转换函数αp （i）,最后就能推算出全区域的总光伏功率.