检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于遗传算法的光伏系统发电量预测

中原工学院学报 2024年第2期35卷 1-5页

作者：李燕斌魏婷婷贾恒李淑新中原工学院自动化与电气工程学院河南郑州450007

为准确预测光伏系统的发电量,构建了用遗传算法优化的BP神经网络发电量短期预测模型(简称GA-BP模型)。通过遗传算法的迭代,对BP神经网络的权值和阈值进行优化,以实现对算法的改进。对所选择国能日新光伏系统预测大赛的数据进行预处理、... 详细信息

为准确预测光伏系统的发电量,构建了用遗传算法优化的BP神经网络发电量短期预测模型(简称GA-BP模型)。通过遗传算法的迭代,对BP神经网络的权值和阈值进行优化,以实现对算法的改进。对所选择国能日新光伏系统预测大赛的数据进行预处理、归一化,并将数据输入GA-BP模型,进行了实验。对比实验说明,GA-BP模型不管是在预测结果上还是在模型稳定性上都明显优于BP神经网络模型。

关键词：光伏发电发电量预测遗传算法 BP神经网络

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

新能源风光场站发电量预测与交易策略

电力系统装备 2024年第6期 154-156页

作者：李伟高益坚付常德河北华电冀北新能源有限公司河北张家口075000

随着新能源技术的发展,其在全球能源结构中的份额逐年上升,带来了发电量预测和交易策略的新挑战和机遇。文章探讨了新能源风光发电技术的特点及其发电量的波动性。利用深度学习与神经网络模型,对新能源发电量进行高精度预测,同时结合交... 详细信息

随着新能源技术的发展,其在全球能源结构中的份额逐年上升,带来了发电量预测和交易策略的新挑战和机遇。文章探讨了新能源风光发电技术的特点及其发电量的波动性。利用深度学习与神经网络模型,对新能源发电量进行高精度预测,同时结合交易市场的实际情况,构建了基于风险和收益的交易策略。通过机器学习的方法进一步优化交易策略,为新能源发电量的市场化交易提供科学依据。

关键词：新能源风光场站深度学习发电量预测交易策略

面向大型综合交通枢纽供电的太阳能光伏发电量预测研究

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

今日制造与升级 2024年第1期 4-5,36页

作者：毛晏中铁四院集团南宁勘察设计院有限公司广西南宁530003

面向大型综合交通枢纽供电的光伏发电时间跨度较大,导致传统方法预测发电量的准确率较低。因此,提出面向大型综合交通枢纽供电的太阳能光伏发电量预测研究。首先获取影响太阳能光伏发电量的气象因素,如光照和温度等,并将其经过预处理后... 详细信息

面向大型综合交通枢纽供电的光伏发电时间跨度较大,导致传统方法预测发电量的准确率较低。因此,提出面向大型综合交通枢纽供电的太阳能光伏发电量预测研究。首先获取影响太阳能光伏发电量的气象因素,如光照和温度等,并将其经过预处理后作为预测模型的输入特征参数。其次构建一个BP神经网络模型,将历史气象数据与历史大型综合交通枢纽供电数据输入到模型中,进行学习训练得到面向大型综合交通枢纽供电的太阳能光伏发电量的预测结果。实验结果表明,设计方法预测的发电量与实际发电量之间的拟合度高达0.978,预测性能优越。

关键词：大型综合交通枢纽供电太阳能光伏发电量发电量预测 BP神经网络

基于支持向量机的区域电网光伏发电量预测研究

在线全文

学校读者我要写书评

暂无评论

电工技术 2024年第3期 45-48页

作者：翟孝明水发规划设计有限公司山东济南250100

光伏发电量预测通常依赖于历史数据,数据的采集和质量存在差异,不同数据源可能存在误差,这会导致预测结果的不准确,因此提出基于支持向量机的区域电网光伏发电量预测研究。首先预处理光伏发电量数据,通过数据链的平滑划分,再对光伏单位... 详细信息

光伏发电量预测通常依赖于历史数据,数据的采集和质量存在差异,不同数据源可能存在误差,这会导致预测结果的不准确,因此提出基于支持向量机的区域电网光伏发电量预测研究。首先预处理光伏发电量数据,通过数据链的平滑划分,再对光伏单位进行归一化处理,进而对不符合常规的发电站数据进行检测,填补数据空缺后导入支持向量机的预测模型,最后在模型优化中实现区域电网光伏发电量的预测。实验中实验组的预测精度为92.37%,基于改进萤火虫算法的预测方法的预测精度为85.43%,基于灰色关联与麻雀优化算法的预测方法的预测精度为74.66%。实验结果表示所研究的方法能对光伏发电量进行较精确的预测,可投入使用。

关键词：支持向量机区域电网光伏发电发电量预测

基于海量单机信息的风电场数据治理和发电量预测研究

在线全文

学校读者我要写书评

暂无评论

电力系统装备 2024年第3期 5-7页

作者：边辉闫炎培乔真国华(河北)新能源有限公司河北张家口075000 国能日新科技股份有限公司北京100000

随着风电场的快速发展,场站预测水平不高、场站管理粗放、缺少中长期发电量预测分析和评估等问题日益突出,已成为制约新能源消纳的主要因素。数据质量是风电厂预测发电量的基础,但是在业务数据产生的过程中,由于数据采集技术、现场设备... 详细信息

随着风电场的快速发展,场站预测水平不高、场站管理粗放、缺少中长期发电量预测分析和评估等问题日益突出,已成为制约新能源消纳的主要因素。数据质量是风电厂预测发电量的基础,但是在业务数据产生的过程中,由于数据采集技术、现场设备、管理机制等方面的差异和漏洞,导致部分业务数据在准确性、完整性、时效性、一致性等方面不能满足需求。为此,有必要进行基于单机运行数据的治理,并开展基于治理后数据的中长期发电量预测的研究。

关键词：单机信息数据治理发电量预测

基于PSO-Soft attention双向LSTM算法的光伏发电量预测研究

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

智慧电力 2022年第3期50卷 1-7页

作者：赵晋斌张建平毛玲屈克庆黄成建揭业炜上海电力大学电气工程学院上海200090 国网嘉兴供电公司浙江嘉兴314000

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了... 详细信息

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。

关键词：发电量预测 LSTM PSO 特征方程 Soft attention

基于灰色模型参数组合优化的三种主要可再生能源发电量预测

在线全文

学校读者我要写书评

暂无评论

基于灰色模型参数组合优化的三种主要可再生能源发电量预测

作者：何承香重庆工商大学

学位级别：硕士

灰色预测模型作为灰色系统理论的核心组成部分,因其在研究小数据、贫信息系统预测领域的出色表现,受到国内外学者的关注和研究,现已被广泛应用于社会经济生活的多个领域。然而,现有灰色预测模型难以完全适应不断拓宽的现实应用场景,需... 详细信息

灰色预测模型作为灰色系统理论的核心组成部分,因其在研究小数据、贫信息系统预测领域的出色表现,受到国内外学者的关注和研究,现已被广泛应用于社会经济生活的多个领域。然而,现有灰色预测模型难以完全适应不断拓宽的现实应用场景,需要对其进行不断优化与改进,以满足实际需要。本文基于灰色预测模型建模流程,提出了灰色预测模型参数的组合优化方法。以GM(1,1)模型、TDGM(1,1)模型、TWGM(2,1)模型为基础,构建了参数组合优化的新型灰色预测模型,并将其应用于中国三种主要可再生能源发电量预测。(1)灰色预测模型参数优化研究。累加阶数、背景值系数和初始条件是影响灰色预测模型结构和性能的重要参数。分别将累加阶数、背景值系数和初始条件由确定值转为不定参数,根据灰色预测模型建模流程,结合智能优化算法,提出适应性强的参数组合优化方法。该方法综合了累加阶数、背景值系数和初始条件各自的优势,可以从整体上提升灰色预测模型性能。(2)基于参数组合优化方法的灰色预测模型构建。应用参数组合优化方法,基于GM(1,1)模型、TDGM(1,1)模型和TWGM(2,1)模型,分别构建了对应的参数组合优化模型。具体地,以累加阶数、背景值系数和初始条件三参数组合优化模型为例,分别阐述了三参数组合优化GM(1,1)模型、三参数组合优化TDGM(1,1)模型及三参数组合优化TWGM(2,1)模型的建模机理和参数估计方法,在此基础上分别推导了时间响应式和累减还原式。(3)三种主要可再生能源发电量预测研究。选择可再生能源中发电量最高的水力发电量、风力发电量和光伏发电量作为研究对象。首先应用灰色弱化缓冲算子对光伏发电量数据作预处理,再应用参数组合优化的GM(1,1)模型对光伏发电量进行模拟分析,结果显示,三参数组合优化的GM(1,1)模型性能优于其他参数组合优化的GM(1,1)模型,由此应用该模型预测了中国2021-2025年光伏发电量。其次构建参数组合优化的TDGM(1,1)模型对水力发电量进行模拟分析,并选择ARIMA模型和SVM模型作对比分析,结果显示三参数组合优化的TDGM(1,1)模型性能更优,故应用该模型实现了2021-2025年中国水力发电量的合理预测。最后构建参数组合优化的TWGM(2,1)模型模拟分析风力发电量,结果显示三参数组合优化的TWGM(2,1)模型优于其他参数优化模型,并应用该模型预测了2021-2025年中国风力发电量。

关键词：发电量预测灰色预测模型优化累加阶数优化背景值系数优化初始条件优化

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于经验模态分解和神经网络的发电量预测

基于经验模态分解和神经网络的发电量预测

作者：何黎黎兰州交通大学

学位级别：硕士

光伏发电具有波动性和间歇性的特点,对光伏发电功率的准确性预测有助于统筹安排常规能源和光伏发电的协调配合,于能源的使用方面和人民的需求都有着较大的好处.光伏发电的一个重要影响因子就是太阳辐照度,而太阳辐照度的不稳定性会给光... 详细信息

光伏发电具有波动性和间歇性的特点,对光伏发电功率的准确性预测有助于统筹安排常规能源和光伏发电的协调配合,于能源的使用方面和人民的需求都有着较大的好处.光伏发电的一个重要影响因子就是太阳辐照度,而太阳辐照度的不稳定性会给光伏发电量的预测带来难度.因此,如何对光伏发电量进行准确预测将是研究重点.结合上述背景情况下,本文使用不同的光伏发电量数据集,对光伏发电的输出功率的自身特点以及其气象影响因子进行了建模分析,同时基于传统统计时间序列模型、人工智能算法和数据处理方法等相关理论研究了不同的发电量组合预测模型.首先,本文研究了基于单变量模型的发电量预测,单变量模型就是单变量时间序列模型.通过甘肃省某光伏发电厂的输出功率的历史数据,利用经验模态分解EMD(Empirical Mode Decomposition)算法将发电量数据进行分解,降低了原始数据的复杂度和噪声,得到了5个本征模态函数和1个趋势函数,再将其中的4个本征模态函数经过归一化处理,再将处理后的数据分别用不同的长短期记忆神经网络LSTM(Long Short-Term Memory)进行拟合,第3个本征模态函数根据其自身特点分析选择用移动平均自回归模型ARMA(Auto-Regression and Moving Average)进行拟合,得到各个分量的预测结果,再将分量预测的结果进行重构得到最终的预测值,提出的模型就是EMD-LSTM-ARMA组合预测模型,然后通过模型评价指标对组合预测模型与单一模型进行对比分析,结果表明所提组合预测模型有更好的预测精度.其次,基于EMD-LSTM-ARMA组合模型的理论基础,提出EMD-LSTM组合预测模型,并将其应用在样本量更大的数据集中,由模型评价指标可知所提组合模型仍然具有较高预测精度,同时也说明了EMD-LSTM组合模型具有很好泛化性能.其次,本文研究了基于多变量模型的发电量预测,多变量模型就是多变量时间序列模型.利用国能日新光伏功率预测竞赛数据,探索影响发电功率的7个气象因子的相互信息,建立深度神经网络DNN(Deep Neural Networks)对该数据集进行回归分析,得到由7个气象因子的关系而预测出的发电输出功率数据,然后求出预测数据的残差,对残差进行平稳性和随机性检验,结果表明残差序列不是一个纯随机性序列,说明残差序列内部还有关系没有被深度神经网络所学习到,故采用LSTM模型对残差序列进行修正,在残差序列输入到LSTM网络中之前,仍然用EMD方法对残差序列进行处理,再将分解后的残差分量分组输入到不同的LSTM模型中进行预测,得到各组分量的预测数据,再经过线性叠加重构为残差序列的预测修正值,最后将残差序列的预测值与DNN模型的预测值进行相加得到最终的预测结果,并在测试集上对模型进行评估发现所提组合预测模型有着很好的拟合效果,同时和单一DNN模型与DNN-LSTM模型进行对比分析,结果表明DNNEMD-LSTM组合预测模型有着更好的预测精度和泛化能力.最后进行了本文的总结,经过本文研究发现,所提的组合预测模型均有着较单一模型预测效果更高的情况,然后再加上对数据进行了降噪处理,会使得模型的预测精度进一步提高,因此通过实验结果分析可以得出本文所提的组合预测模型均有较好的预测效果和拟合情况.

关键词：发电量预测组合预测模型经验模态分解深度神经网络长短期记忆神经网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

槽式太阳能热发电系统发电量预测

槽式太阳能热发电系统发电量预测

作者：闫露中北大学

学位级别：硕士

槽式太阳能热发电是一种既可大比例承担基础电力负荷、又可承担电网灵活调峰的重要可再生能源技术。为了解决电站实际现场难以满足热性能测试标准以及如何精准预测短时间内太阳辐照波动过程的发电量的难题,本文开展了槽式太阳能热发电... 详细信息

槽式太阳能热发电是一种既可大比例承担基础电力负荷、又可承担电网灵活调峰的重要可再生能源技术。为了解决电站实际现场难以满足热性能测试标准以及如何精准预测短时间内太阳辐照波动过程的发电量的难题,本文开展了槽式太阳能热发电系统发电量预测研究。本文采集内蒙古乌拉特中旗、北京延庆及青海德令哈地区的槽式太阳能热发电系统现场气象数据和实际槽式集热场热性能测试数据进行了相关性分析,得出环境温度、DNI、风速、太阳高度角、方位角、流量、入口温度作为神经网络模型输入参数。通过箱形图识别异常值和皮尔逊相关系数计算各个特征向量之间的相关性对上述数据进行了异常值去除、归一化、相关性分析等数据预处理,将经过预处理后80%的数据作为训练样本,20%的数据作为验证样本。槽式太阳能热发电系统包括集热系统、储换热系统以及常规发电系统,针对复杂且光热相互耦合的槽式太阳能热发电系统,本文首先采用长短时记忆神经网络(LSTM)模型提取时间特征,避免长期依赖和梯度爆炸问题,提高预测精度,然后采用人工神经网络(ANN)模型加快计算速度,构建了一种混合神经网络模型进行集热场出口温度的预测。本文采用不同激活函数以及不同优化算法构建不同的混合神经网络模型对多个槽式太阳能集热场出口温度进行了预测,并分别与ANN模型、LSTM模型、物理模型预测结果进行对比,得出槽式电站集热场出口温度与实际出口温度之间的相对误差分别为-0.7%～1%,-2.9%～2.2%、-0.5%～0.4%、-0.8%～1.2%,获得采用Tanh激活函数,Adam优化算法的混合神经网络模型预测精度最高,特别是本文的混合神经网络模型对预测不稳定工况具有更高的预测精度。本文所建立的混合神经网络模型可以实现多种地理位置气象条件及工况的槽式太阳能集热场出口温度的精确预测,具有较好的通用性。针对储换热系统以及常规发电系统,构建物理模型研究热-电能量转换过程机制,结合本文构建的混合神经网络模型,建立了槽式太阳能热发电系统的发电量预测模型,并计算了槽式太阳能热发电系统的发电量以及储热量。2022年3月1日、3月2日、4月22日三天基于本文所构建模型预测100MW槽式电站的日发电量与实际值之间的相对误差分别为8.5%、6.1%、2.3%,验证了本文所建立的槽式太阳能热发电系统发电量预测模型具有较好的预测精度,可实现电站日发电量较为准确的预测。

关键词：槽式太阳能热发电系统集热场出口温度预测发电量预测混合神经网络