光伏发电预测方法研究进展

发布时间：2021-10-28 22:38

　　光伏发电大规模接入电网会使电网产生一定波动,对电力系统产生影响,提高光伏发电量预测的准确性是发展光伏发电技术及保证电网稳定性的关键。本文对光伏发电量预测方法进行归纳总结,根据研究原理将其分为直接预测法和间接预测法,并对直接预测法中的混合模型做了具体分类:基于确定神经网络初始权值的混合模型、基于光伏数据预处理的混合模型及其他混合模型。通过比较各种方法的平均绝对百分比误差（MAPE）及仿真时间,对各种方法进行评估。结果表明:人工智能预测法目前应用最广,MAPE在3%～15%之间,其中,深度学习网络模型预测误差最小,但仿真时间较长且模型复杂度较高;混合模型可以有效减小预测误差,总体预测误差小于10%,是未来一个重要的研究领域。 

【文章来源】：热能动力工程. 2020,35(11)北大核心CSCD

【文章页数】：11 页

【文章目录】：
引 言
1 直接预测法
    1.1 数学统计预测法
        1.1.1 时间序列法
        1.1.2 线性回归法
        1.1.3 时间趋势外推法
    1.2 人工智能预测法
        1.2.1 神经网络预测法
            (1) 前馈神经网络
            (2) 反馈神经网络
            (3) 深度学习神经网络
        1.2.2 支持向量机
    1.3 混合模型
        1.3.1 基于确定ANN初始权值的混合模型
            (1) PSO+ANN
            (2) 遗传算法+ANN
            (3) 人工蜂群算法+ANN
            (4) 果蝇算法+RNN
            (5) 鸡群算法+RNN
        1.3.2 基于光伏数据预处理的混合模型
        1.3.3 其他混合模型
2 间接预测法
3 新型预测模型
4 总结与展望


【参考文献】：
期刊论文
[1]基于参数优化的RBF神经网络结构设计算法[J]. 翟莹莹,左丽,张恩德.  东北大学学报(自然科学版). 2020(02)
[2]中国光伏产业现状与发展策略研究[J]. 刘方旭.  科技经济导刊. 2019(30)
[3]基于PSO优化BP神经网络的光伏发电量预测[J]. 李燕斌,万亚宁,肖俊明,朱永胜,杨璐,李超,马佳慧.  中原工学院学报. 2019(04)
[4]基于灰色-加权马尔可夫链的光伏发电量预测[J]. 蒋峰,王宗耀,张鹏.  电力系统保护与控制. 2019(15)
[5]基于EMD分解的AR模型光伏发电预测方法探讨[J]. 孙祥晟,陈芳芳,吴孟礼,齐琦,贾鉴.  电工技术. 2019(11)
[6]基于人工蜂群算法改进BP神经网络的光伏发电量预测[J]. 郑建鄂,谭建军,鄂翔宇,邹蕾,宋池.  湖北民族学院学报(自然科学版). 2019(01)
[7]基于D-S证据理论的光伏发电量预测[J]. 李英姿,曾万昕,戴玉,郭俊杉,胡亚伟.  电气应用. 2019(02)
[8]聚类分析在光伏发电量预测中的应用研究[J]. 成珂,郭黎明,王亚昆.  可再生能源. 2017(05)
[9]基于PCA-BPNN的并网光伏电站发电量预测模型研究[J]. 李芬,宋启军,蔡涛,赵晋斌,闫全全,陈正洪.  可再生能源. 2017(05)
[10]人工智能算法在光伏发电量预测中的应用[J]. 邓呈格,钟志峰.  物联网技术. 2017(04)



本文编号：3463442