光伏发电超短期输出功率的概率预测若干方法研究

发布时间：2020-07-25 10:18

【摘要】：随着人们对日益加剧的能源短缺与环境问题的重视,光伏发电作为太阳能的一种最有潜力的利用技术得到了快速发展。然而复杂多变的天气状态、云层移动、环境温度等因素使得光伏发电具有随机性、间歇性与波动性特点。随着光伏发电在电力系统中的装机容量比重的不断增加,给传统电网的安全稳定运行带来了挑战。可靠与有效地预测光伏发电输出功率对优化电网配置、降低电网运行成本与确保电网安全稳定运行有十分重要的意义。基于物理模型的光伏发电功率预测方法存在准确性低、通用性差、参数选取复杂等缺点。近年来基于机器学习的数据驱动方法成为了研究热点,此类方法相比物理模型,有较好的通用性与移植能力,同时也有良好的非线性逼近能力。在现有的基于数据驱动的预测模型中,通常采用确定性估计方法,然而单纯的确定性估计方法预测未来输出功率时不可避免的存在误差,无法对预测结果的可靠性进行评估,也无法给电网调度提供可靠的参考信息。本文从概率预测的角度入手,对量化光伏发电输出功率不确定性展开了研究。首先,考虑到极限学习机(Extreme learning machine,ELM)具有良好的泛化性能与运算效率,探讨了极限学习机回归方法在光伏发电超短期输出功率的概率预测中的应用。针对确定性预测方法无法有效预测具有强不确定性特点的光伏发电输出功率问题,提出了基于极限学习机预测光伏发电输出功率的概率区间上限与下限估计方法。为了提高预测区间的可靠性,引入区间覆盖概率与区间平均带宽两个参数做为区间质量的评价指标,在此基础上构建了预测区间性能指标综合评价函数。以综合评价函数为目标函数用改进的粒子群算法对极限学习机的网络参数进行优化。探讨了几种常用的激励函数与隐层节点数目对预测性能的影响。通过用三种典型天气以及连续五天的天气情况下的光伏发电系统实测数据进行实验,验证了算法的有效性,并分析方法存在的不足。其次,为了降低光伏系统数据不确定性与参数局部最优给预测区间方法带来的影响,提高模型的泛化性能,提出了一种基于集成学习改进的光伏发电输出功率超短期预测方法。为了使集成学习个体呈现多样性,提出了设定ELM三种不同激励函数与不同隐层节点数,训练多个不同结构预测区间模型,并择优选取集成学习个体成员的机制。为了得到最优的加权平均系数来组合集成学习成员,提出了以预测区间质量最优为目标,采用改进差分进化算法的权重系数优化的方法。基于实测的光伏发电数据,对所提出的方法进行了对比研究和实验验证。然后,为了进一步提高预测区间质量,降低光伏发电系统数据的不确定性对回归模型的影响,提出了一种基于极限学习机激励函数的余弦非线性相关性度量方法,对光伏输出功率与气象数据的非线性相关性进行分析。在此基础上,提出了基于非线性相关性度量与K-Means聚类相结合的数据分类方法。为了降低区间估计模型在多目标转化为单目标时参数选择复杂性,提出了一种基于Pareto最优的光伏发电区间预测方法。以预测区间平均带宽最小与预测区间覆盖概率最大为两个对立目标函数,选用改进的非支配排序多目标遗传算法(Non-dominated Sorting Genetic Algorithm II(NSGA-II))对ELM网络参数进行优化,得到一组的Pareto最优预测区间。通过实验对本章提出的算法进行了验证。最后,研究了基于机器学习对光伏发电功率预测中的不确定性机理,提出了采用两步方式分别对机器学习的模型偏差与数据噪声的不确定性量化方法。该方法首先基于极限学习机的确定性估计结果,采用Bootstrap技术以方差的形式对极限学习机的模型偏差进行量化,构建残差样本,然后基于残差样本提出了三种不同的数据噪声不确定性的量化方法,并构建光伏发电输出功率预测区间,通过对比实验,验证了所提出方法的有效性。
【学位授予单位】：西南交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TM615

【相似文献】