基于在线学习的光伏发电系统相互辅助状态估计与预测

《Journal of Modern Power Systems and Clean Energy》:Online Learning-Based Mutually-Aided State Estimation and Forecasting for PV

【字体: 大 中 小 】 时间:2026年04月16日 来源:Journal of Modern Power Systems and Clean Energy 6.1

编辑推荐:

   摘要:传统的光伏(PV)预测算法严重依赖于历史发电数据或物理模型,但在实际应用中这两种数据或模型往往难以获取或不可靠。本文提出了一种基于在线学习的互辅助状态估计与预测(MASEF)算法,该算法将状态估计(SE)和光伏预测集成到一个耦合的随机系统中,无需特定的历史光伏发电数据或物

  

摘要:

传统的光伏(PV)预测算法严重依赖于历史发电数据或物理模型,但在实际应用中这两种数据或模型往往难以获取或不可靠。本文提出了一种基于在线学习的互辅助状态估计与预测(MASEF)算法,该算法将状态估计(SE)和光伏预测集成到一个耦合的随机系统中,无需特定的历史光伏发电数据或物理模型即可有效运行。受卡尔曼滤波器(KF)的启发,MASEF算法中建立了一个互辅助的在线学习循环:一个贝叶斯神经网络(BNN)用于近似光伏发电量(预测阶段),从而使状态估计能够更精确地确定系统状态(更新阶段)。这些估计结果随后被反馈给预测器以进行在线学习。BNN通过提供概率输出并量化不确定性来进一步提高预测的可靠性。在观测数据有限或数据噪声较大的情况下,预测值可以作为伪测量数据使用。案例研究表明,即使在完全缺乏光伏发电数据或物理模型的情况下,MASEF算法的性能也能与最先进的算法相媲美。此外,实验结果还证实了MASEF算法对测量噪声和参数误差的鲁棒性,凸显了其在多种电网环境中的适应性和实际应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号