储能参与电力系统调频能够减少火电机组的爬坡损耗,提高电力系统频率的稳定性。根据区域调频需求合理配置储能容量,将有利于提高系统经济性和稳定性。基于历史典型日区域控制误差（area control error,ACE）,建立了基于集合经验模态分解...储能参与电力系统调频能够减少火电机组的爬坡损耗,提高电力系统频率的稳定性。根据区域调频需求合理配置储能容量,将有利于提高系统经济性和稳定性。基于历史典型日区域控制误差（area control error,ACE）,建立了基于集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法的调频储能容量优化配置模型。以储能参与调频的净效益期望最大为目标,计及储能系统荷电状态（state-of-charge,SOC）等约束,优化确定基于EEMD的ACE信号滤波阶数,进而确定参与调频的储能最优配置容量。最后,基于实测ACE数据验证了所提方法的有效性。展开更多
为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验...为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。展开更多
文摘为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。
