提出一种基于功率预测模型的单相PWM整流器控制策略. 该控制策略通过构造与网侧电压、电流正交的 虚拟电压、电流分量来形成d-q 坐标系; 在采用瞬时功率理论及功率预测算法获得电路有、无功变化量的基础上, 推 导了整流器交流侧的电压控制矢量, 并采用单极性调制方法来保证整流器工作频率的恒定; 由于取消了电流调节内 环, 该控制策略具有控制系统设计简单、电路抗扰动能力强、系统动态过程短等特性. 仿真结果验证了所提出的控制 策略的有效性.

北京象心力科技有限公司是一家为电力、能源等气象敏感行业提供气象和大数据服务的科技公司。 我们旨在为客户提供精准稳定的数据产品、优质专业的咨询服务和完整高效的解决方案。始终将客户和行业的需求放在首位，深度挖掘行业数据，利用自主的气象预报系统、AI算法模型和智能云平台，为客户提供行业所需的专业数据服务。 象心力科技核心团队由资深气象学家、人工智能算法高级工程师和大数据专家组成。 团队硕博以上占比80%，在新能源气象领域深耕多年，拥有多家全球顶尖的数值天气预报资源和深厚的技术经验积淀。 运气象之力，铸行业之心。我们希望通过不断的努力，让智慧气象和智能算法帮助客户提高效能、降低风险、获得更大的商业价值，让电力更加智慧、能源更加清洁、天空更加蔚蓝！

受风速随机变化的影响,风电输出功率具有波动性。为了平抑风电输出功率的波动,在配置电池储能系统的基础上,文中基于风电短期平均功率预测技术,以风电时间周期T的平均功率为对象,采用时间序列法进行预测,实时滚动预测未来每个时间周期T的平均功率,结合平抑度要求和电池荷电状态限制条件,控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内,分段平抑功率波动。其中,根据电网对风电功率波动的可接受程度,设置平抑度,为防止电池过充放电,对电池SOC进行限制。最后以某风电场的实际历史数据为例,在Matlab中进行了仿真分析,验证了所述方法的有效性。

基于自适应神经网络的光伏输出功率预测.pdf

针对点预测类方法无法消除预测误差的不足，文中提出一种光伏发电功率短期预测方法。该方法采用极端学习机为光伏发电功率预测的回归预测方法，并结合三角形隶属函数模糊信息粒化的思路，将一定时间窗口的光伏发电功率历史数据进行模糊粒化。粒化后的窗口内历史数据包含功率变化值的最小值、最大值和平均值，形成了新的训练集，进一步对训练集采用极端学习机算法进行训练与预测，实现了光伏发电功率的区间预测。以某地区的光伏发电功率历史数据为算例进行了验证，结果表明：本文提出的方法可以预测光伏发电功率的波动范围，光伏发电功率真值全部包含在所预测的区间范围内。该方法对包含光伏新能源发电的电网调度计划具有工程实践意义。

提出一种光伏功率预测方法，该方法利用相似变量的基值点误差，采用组合权重法求取相似误差，确定相似日，然后将相似日的输出功率按不同权重系数加权得到预测功率。根据最小鉴别信息原理，将主观权重和客观熵权有效融合获得相似日选取的组合权重系数，功率权重系数按相似性指标生成。某光伏电站实测数据算例仿真表明，所提方法可选出相似度高的相似日，提高了光伏输出功率的预测精度。

风力发电预测系统整个过程从开始到实现的研究，非常有参考价值

随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。

行业制造-电动装置-一种光伏电站发电功率预测的方法.zip

行业制造-电动装置-基于最大信息熵原理的风电场短期输出功率预测综合模型.zip