基于变分模态分解和相关向量机的太阳辐照度预测模型研究

发布时间：2020-05-09 11:23

【摘要】：目前全球光伏发电产业快速发展,每年的光伏新增装机量和累计装机量快速增加,电网中的光伏发电占有率不断提高。由于太阳能具有典型的波动性和间歇性等特点,导致光伏发电系统的输出功率不稳定,对光伏发电并网以及电网的安全、稳定运行带来很大的冲击,严重阻碍了大规模光伏发电并网。光伏发电系统的输出功率的准确预测有利于电力系统部门提前进行调度和规划,从而将尽可能多的光伏发电并网。太阳辐照度是影响光伏发电系统的输出功率最直接、最显著的因素,因此太阳辐照度的准确预测将会提高光伏发电系统的输出功率的预测精度,具有重要的应用价值。太阳辐照度受到气候、气象等因素的影响,具有随机性和不稳定性的特点,传统的太阳辐照度点预测模型的预测精度往往不高。同时,点预测结果往往不能表征太阳辐照度的随机性,给决策工作带来风险。若能在给出确定性的点预测结果的同时,描绘出太阳辐照度波动的区间,将有利于电力部门进行风险分析和更加合理的调度。为此,论文在深入研究最优变分模态分解算法、混沌蝗虫优化算法、混合核相关向量机、非参数核密度估计等方法的基础上,研究了太阳辐照度的点预测模型和区间预测模型,主要研究工作和创新成果如下:(1)太阳辐照度预测模型中的参数优化直接影响到模型的性能,针对参数优化问题,对蝗虫优化算法(GOA)进行改进,提出了混沌蝗虫优化算法(CGOA)。GOA是模拟自然界中的蝗虫在觅食过程中的集群行为提出的一种仿生智能算法,其最显著的特点是在迭代过程中,每个粒子的下一个位置不仅考虑了其当前位置和当前群体的最优位置,还考虑了其他粒子的位置。传统的仿生智能算法中的粒子的下一个位置往往没有考虑其他粒子的位置,因而GOA更容易跳出局部最优,收敛速度更快。CGOA对GOA作了三点改进:1)将平衡全局与局部寻优能力的线性递减函数改为非线性递减的逆不完全伽马函数,有利于GOA在前期侧重全局探索,而在后期侧重更加精细的局部开发;2)将越界的粒子更新到位置变量的区间端点改为更新到区间内部,防止GOA频繁的在上界或下界处寻优,影响收敛速度;3)采用混沌搜索算法对当前最优位置进行优化,提高GOA的解的精度。通过测试函数发现,CGOA较GOA具有更快的收敛速度和更高的精度。(2)针对太阳辐照度不稳定的特点,提出采用变分模态分解(VMD)对原始太阳辐照度序列进行分解,从而得到相对稳定的模态分量。VMD算法中有三个参数:模态个数K、惩罚因子a、保真度系数t难以率定,为此,提出了最优变分模态分解算法(OVMD)。对于K,OVMD以分解后的残余分量与原始序列之间的相关性来保证分解的精度并指导最优K值的确定;对于a和t,OVMD根据分解后的残差建立残差指标,并作为CGOA的适应度函数,通过CGOA来寻找最优的a和t,使分解残差最小。对实际的太阳辐照度序列,分别利用集合经验模态分解(EEMD)和OVMD进行分解,并采用正交性指标进行比较分析,得出OVMD具有更优的分解性能。(3)采用CGOA优化的混合核相关向量机(RVM)对OVMD得到的模态分量分别建立预测模型,将各个分量模型的预测结果累加,得到太阳辐照度的点预测模型(OVMD-CGOA-RVM)。RVM中核函数的选择及核函数中的参数的设置直接影响到RVM的预测性能。对于核函数,将学习能力较强的高斯核函数和推广能力较强的多项式核函数进行组合,得到的混合核函数同时保证了其学习能力和推广能力;对于混合核函数中的参数,采用CGOA来寻优,从而建立最优的RVM预测模型。将不同时间、不同地区的两个监控平台的监测数据均按春夏秋冬四个季节划分为四组数据,对每组数据最后两天的逐时太阳辐照度分别采用OVMD-CGOA-RVM模型、CGOA-BP模型、ARIMA模型、CGOA-LSSVM、CGOA-RVM模型和EEMD-CGOA-RVM模型进行预测,并将预测结果采用误差评价指标进行评价,得出在任意一组数据中,OVMD-CGOA-RVM模型的预测性能均明显优于其他五种模型,并且预测精度都比较高,说明了OVMD-CGOA-RVM模型具有较好的预测精度,并且比较稳定,具有通用性。(4)在OVMD-CGOA-RVM点预测模型基础上,采用非参数核密度估计(KDE)得到太阳辐照度预测误差的概率密度,利用三次样条插值拟合预测误差的概率分布曲线,建立了太阳辐照度的区间预测模型(OVMD-CGOA-RVM-KDE)。针对KDE中核函数的窗宽难以率定的问题,提出以平均覆盖率和平均宽度构建的综合评价函数作为适应度函数,采用CGOA来实现最优窗宽的选择。通过对上述两个监控平台监测数据的实验发现,OVMD-CGOA-RVM-KDE区间预测模型较CGOA-RVM区间预测模型和CGOA-BP-KDE区间预测模型更可靠、更准确。基于OVMD-CGOA-RVM-KDE区间预测模型得到的太阳辐照度预测区间具有较小的区间宽度,有利于电力系统调度部门进行电网规划、风险分析和可靠性评估等。
【图文】：

蝗虫,社会行为,斥力,引力

蝗虫优化算法（GOA）是澳大利亚学者 Shahrzad Saremi、Seyedali Mirjaldrew Lewis 于 2017 年提出的一种新型群智能仿生优化算法[70]。该算法模拟自蝗虫在觅食过程中的集群行为，，以解决最优化问题。在蝗虫集群过程中，蝗间会产生斥力和引力，形成排斥区、舒适区和吸引区，如图 2-1 所示，其中表示舒适区，圆圈内部表示排斥区，圆圈外部表示吸引区。在排斥区，斥力；在吸引区，引力大于斥力；在舒适区，斥力等于引力。两个蝗虫个体之间大，引力越强，斥力越弱；反之，两个蝗虫个体之间的距离越小，斥力越强弱。GOA 利用蝗虫群体中的个体之间的社会行为实现对信息的共享，使整运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。蝗虫个体之间的斥力使蝗虫能够探索整个搜索空间，而引力则鼓励它们精细望的区域。GOA 模拟蝗虫产生的斥力行为实现全局探索，模拟蝗虫的引力局部开发。同时为了平衡全局探索和局部开发能力，采用了自适应减少蝗虫策略。最后，由蝗虫群追逐和改进的目标即为最优解。

变化曲线,变化曲线,蝗虫

华中科技大学博士学位论文ijnijjiijSsdd ()1 （2-1）式中，ijd 表示第i个蝗虫和第 j 个蝗虫之间的距离，即ijjid x x，ix 表示第i个蝗虫的位置；ijjiijdxxd 表示第i个蝗虫到第 j 个蝗虫的单位向量； ()ijs d表示第i个蝗虫和第 j 个蝗虫之间社会行为（吸引或排斥）的强度，其表达式如（2-2）式所示。ijijdldijsdfee ( ) （2-2）式中， f 和l为常数。 ()ijs d是关于ijd 的函数，图 2-2 是当 f 0 .5,l 1.5时，s随ijd 的变化曲线图，其中 ( ) 0ijs d表示产生斥力。
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TM615

【相似文献】