一种新的光伏发电预测模型的设计

为了对光伏发电的输出功率进行预测,本文分析光伏发电的影响因素,提出了一种基于太阳辐射功率曲线匹配的预测模型。该模型将历史数据按时段进行分解,查找与当前时段太阳辐射功率曲线最为匹配的数据,以此构建并训练BP神经网络,来预测未来3个小时内的太阳辐射功率,能够较好的实现预测目标。实验结果表明,该模型有较高的精度,可对电网调度起到重要的指导作用。     

化工园区分布式光伏发电全生命周期安全体系研究

随着工业屋顶光伏应用越来越广，衍生安全问题也日趋严峻。在多起化工园区分布式光伏电站起火烧毁事件中，不仅有损坏厂区工艺装置的风险，还可能造成周围环境污染、财产损失与人身伤亡。为加强化工园区分布式光伏发电项目的安全管理，文章对项目各个阶段存在的安全风险进行了量化分析，提出基于全生命周期理念的分布式光伏发电项目的安全风险管理体系，以提高化工园区光伏项目的安全性，实现可持续健康发展。     

地铁车辆段分布式光伏发电并网功率控制方法研究

为解决传统方法存在的控制精度低的问题,文章提出了一种地铁车辆段分布式光伏发电并网功率控制方法。通过对地铁车辆段的能耗分析和需求预测,计算得到了地铁车辆段的能源需求。基于能耗需求,计算并设计了地铁车辆段分布式光伏发电系统的并网功率。通过遗传算法等智能优化方法,对发电功率进行控制,以确保发电系统的安全和稳定运行。通过实验验证,地铁车辆段分布式光伏发电并网功率控制方法具有良好的性能和效果。与传统方法相比,该方法具有更高的控制精度,能够更准确地满足地铁车辆段的能源需求,且具有良好的经济性和可靠性。     

基于平准化电力成本模型的屋顶式并网光伏经济性实证研究

基于平准化电力成本(LCOE)计量模型,以屋顶式并网光伏为研究对象,综合考虑光伏发电的经济成本、环境成本,并定量评估了污染物减排的环境成本以及预期可实现的碳排放收益,将其引入LCOE计量模型.通过优化后的LCOE计量模型进行实证研究,得到了在考虑环境因素、碳交易市场条件下的光伏LCOE.进而进行光伏和火电LCOE的对比分析和影响光伏LCOE的敏感性分析,发现在考虑环境因素、碳交易等因素时光伏发电相比火电具有明显优势,且系统单位造价及太阳辐照量对光伏LCOE的影响程度较大.最后提出了降低光伏发电投资成本、利用数字化技术赋能光伏产业和完善碳排放交易市场的政策建议,实现有效提高光伏发电经济性的目的并为在碳中和背景下发展屋顶式光伏提供参考.     

影响中国分布式光伏发电发展的因素分析

太阳能是未来最清洁、安全和可靠的能源,与水电、风电、核电等相比,太阳能发电没有任何排放和噪声,应用技术成熟,安全可靠。凭借着建设周期短、调峰性能好、操作简单、便于实现灵活调度等多方面优势,分布式光伏发电得到广泛应用,在光伏发电中所占比重越来越高。文章通过对我国各省市分布式光伏发电情况的统计分析,总结了影响分布式光伏发电发展的因素,并提出了相应的解决措施。     

浅谈屋顶分布式光伏发电系统升压变高压侧开关设备的选择

随着社会经济的发展及对自然环境保护的要求,新能源在发电上的应用得到越来越多的关注及重视,也得到社会越来越多的认可。其中的屋顶分布式光伏发电系统,因其依托建筑物基础、注重自发自用、具有平滑电网峰谷的特点受到用户的欢迎。当光伏发电系统有多个屋顶及发电子系统组成时,系统装机容量较大,需要进行升压之后再送入配电网。但是因与传统的配电系统有所区别,在屋顶光伏发电系统升压变高压侧开关设备的选择存在一定的争议,笔者以此文简单叙述自己的观点,认为使用负荷开关组合电器不但可以满足技术要求,更比使用断路器有更好的经济性。     

光伏发电企业运营效率及影响因素研究——基于DEA-Malmquist-Tobit模型的分析

在“双碳”目标的引领下,科学评价光伏发电企业的运营效率及其影响因素,对促进光伏企业及产业的高质量发展有着重要意义。基于2014-2022年光伏发电上市公司的面板数据,运用DEA-Malmquist-Tobit模型测度了光伏企业的运营效率及其综合效率的动态变化,实证分析了运营效率的主要影响因素。结果表明：9年间光伏发电企业的全要素生产率呈1.8%增长率的小幅增长趋势,股权结构、每股收益等5个变量对光伏发电企业的运营效率有显著性影响。     

我国户用屋顶光伏发电系统使用面积的实证分析

近年来我国光伏产业发展迅猛。自2008年起,我国已成为世界第一大光伏组件制造国和未来最大的光伏组件使用国,而户用屋顶光伏发电系统作为重要的光伏产品在未来几年必将为我国光伏市场拓宽推波助澜。本文通过建立各地区户用太阳房面积、国内生产总值、并网光伏电站装机量、政策补贴及是否存在大型光伏企业的回归模型并运用计量经济学软件EView85．0对其估计,分析试得出户用屋顶光伏发电系统使用面积提升的发展路径。     

光伏产业必须遵循发展规律

近日,国家相关部委就光伏产业密集出台了新的政策。10月26日,国家电网发布支持分布式光伏发电站建设及光伏发电并网的有关意见,并公布了分布式光伏电站接入电网的相关标准,通过鼓励发展分布式光伏发电和启动第二批金太阳工程等举措来致力开拓光伏的国内市场。     

基于区块链技术的光伏微电网交易体系分析

由于环境污染、化石能源不断减少,新能源正逐渐受到人们重视,其中分布式新能源发电模式是现阶段研究的重点。随着光伏发电规模的扩大,微电网分布式电源的规模也在扩大,这具有重要价值。本文主要对基于区块链技术的光伏微电网交易体系进行研究论述,以供学界参考。     

模糊规则在神经网络预测模型中的应用前景

在采用径向基函数神经网络(RBFN)对太阳能发电系统输出功率进行预测的模型中,可以明确日照强度的精度对整个预测系统的精度起到了决定性的作用。通过在RBFN模型中引入模糊规则,改善云量数据的精准度,进而提高预测模型的精度。仿真结果表明,加入了模糊规则的模型,预测曲线更为近似。在全面考虑模糊的基础上,有可能提高预测精度。同时也证明了该方法可用于实际应用。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.     

基于因子分析和DEA模型的现代光伏农业技术经济性综合评价研究

发展现代光伏农业是推进现代农业可持续发展的重要途径，对现代光伏农业进行技术经济性综合评价有较强的现实意义，为此，建立了因子分析法和DEA相结合的现代光伏农业技术经济性综合评价模型。首先，利用因子分析法对评价指标进行了降维处理；然后，根据DEA模型需要对指标数据进行了标准化处理；最后，利用DEA模型完成了对50亩智能农业大棚各经营方案的评价，结果表明：将光伏发电和温室大棚种植相结合具有良好的技术经济效益。     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

基于EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

基于RBF神经网络的太阳能发电量预测

太阳能发电系统输出功率的预测，尤其是短期预测，受到各种外源因素的影响，预测结果并不理想。由于现有预测方法对外部条件的依赖性，如太阳辐射强度和环境温度等，致使存在多种变量，影响预测的效率。为此，采用径向基函数神经网络(RBFN)，选择最优的输入参数，来预测20 kW太阳能电池板的功率输出，考虑效率的同时，对预测结果有了一定程度的改善。并将所提出方法与现有方法进行了比较。     

基于粒子群优化极限学习机的中长期电力需求预测研究

科学准确预测中长期电力需求有利于电力工业的科学规划与经济社会的协调发展。通过考虑宏观经济、产业结构等六大类共24个影响电力消费的因素,较为全面地体现经济特征,使用因子分析有效消除因素之间的多重共线性。基于参数设置相对简单的极限学习机,提出改进的粒子群算法优化的极限学习机模型。通过实证分析,利用该模型进行历史负荷序列预测,验证模型的有效性。     

基于循环神经网络的西北太平洋台风路径预测

西北太平洋是全球台风高发区域之一,我国每年受登录台风影响,造成沿海地区发生狂风、暴雨和风暴潮等灾害性天气,准确预测西北太平洋台风路径对我国防震减灾意义重大。 基于循环神经网络的多元时间序列预测模型,以处理好的包含中国气象局（CMA）台风最佳路径数据集和欧洲中期天气预报中心（ERA5 ）数据集两种资料的多元时间序列数据为样本,训练3种循环神经网络并预测未来 6、12、24 h 的 热带气旋（TC）中心位置。结果表明预测失效为24 h时利用长短期记忆神经网络（LSTM）模型预测E值为173.15 km,误差要远小于门控循环神经网络（GRU）模型和循环神经网络（RNN）模型,认为利用 LSTM 网络对未来 24 h TC 中心位置的预测具有可行性和参考价值。