简介:针对光伏发电短期预测准确性问题,提出一种基于集合经验模态分解(EEMD)和改进粒子群优化算法(IPSO)的支持向量机(SVM)预测模型。该模型选择与预测日具有相同天气类型的历史光伏小时出力数据及相关气象因素作为输入变量,采用EEMD方法将历史光伏小时出力数据分解为一系列相对比较平稳的分量序列,针对不同特征子序列,建立选用不同核函数的SVM模型分别进行短期预测,并采用IPSO对不同SVM模型的参数进行优化。通过建立不同预测模型进行比较分析,验证了本文提出的组合预测模型具有较高的预测精度,对大规模光伏并网电力系统的决策优化调度具有一定的意义和参考价值。
简介:摘要随着全球工业化进程的持续推进,全球能源产业发展战略规划也发生了翻天覆地的变化,继风力发电后,光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,光伏装机容量和装机比例呈爆发式状态增长。与此同时,光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。因此,对光伏发电系统功率进行合理预测对提高光伏电站利用率和电网安全稳定运行水平具有重要的现实意义。文章对光伏发电出力的条件预测误差概率分布估计方法进行了研究分析,以供参考。
简介:【摘要】随着越来越多的大规模光伏电站、风电场并网运行,间歇式电源的发电容量在部分区域电力系统中所占比例大大提高,给电力系统的供需平衡、安全稳定运行与控制带来了巨大挑战,大大加重了电网的调度负担。其输出功率在短期内呈现随机性和不确定性,大规模并网容易引起电网波动。因此前期充分调研各气象因子的数据对比和整理,根据其关联程度和差异性,基于Python环境下,使用机器学习人工智能技术,设计基于天气信息预测光伏发电功率的预测模型,并采用经过处理的数据进行对模型的训练, 准确的光伏出力预测模型在电网侧可以帮助电网调控中心较为准确预测光伏出力水平,并提前安排负荷平衡措施,保障高比例分布式光伏并网后电网运行稳定;在用户侧可以指导光伏发电项目业主合理安排检修计划,优化发电运行方式,提升光伏设备发电小时数。