光伏并网系统短期功率预测方法研究

发布时间：2020-11-06 01:06

　　 伴随着能源、环境问题的日益突出,太阳能受到世界各国越来越广泛的重视,光伏发电作为太阳能开发的主要形式之一,光伏的装机容量得到飞速发展。相较于传统的火力、水力发电,光伏发电受到太阳光照强度、温度、湿度、日照时长等诸多因素的影响,输出功率具有明显的间歇性、随机性和不确定性。为了保障光伏并网运行的稳定性,提高光伏发电的消纳能力,有必要提出准确的光伏发电功率预测方法,为电力部门的规划和调度提供科学的参考依据。本文的主要研究内容如下:(1)介绍了常用光伏发电短期功率预测方法的原理和模型建立过程,主要包括极限学习机(Extreme Learning Machine,ELM)、最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)和BP神经网络。本文计算Person系数,分析了影响光伏发电的主要因素,并基于主成分分析法建立光伏发电功率预测模型,减少了模型输入量,提高了模型训练效率。(2)传统的极限学习机输入权值和隐含层偏差都是随机选取的,模型预测精度仍有待提高。因此,本文提出一种基于改进极限学习机的光伏发电功率短期预测方法,采用列文伯格-马夸尔特法(Levenberg-Marquardt,LM)算法修正极限学习机模型参数,获得了极限学习机预测模型的最优网络,通过建立的改进极限学习机模型来进行短期功率预测,分析验证了改进模型的有效性。(3)单一预测模型对于数据的分析能力有限,为提高波动性较大的阴雨天气下的预测精度,本文在改进ELM的基础上引入另外两种非线性模型,提出一种基于相似样本和改进熵权法的光伏发电功率组合预测方法。首先,对光伏发电功率和气象数据样本进行聚类分析,初步形成不同天气类型下的相似日样本集,并采用加权欧式距离、余弦相似度和灰色关联系数来定义相似样本综合选取指标,从而选取模型训练样本。分别采用GA-BP、PSO-LSSVM以及本文提出的LM-ELM三种单一模型对待预测日的发电功率进行预测,最后利用改进熵权法来动态设置不同预测时间段内单一预测模型的权重值,将单一模型进行合理组合,获得光伏发电功率预测结果,表明了基于相似样本和改进熵权法的组合预测模型,在气象变化较大的天气下有较好的预测精度。
【学位单位】：江苏大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM615
【部分图文】：

图 1.1 光伏发电功率预测方法分类Fig.1.1 Classification of photovoltaic power prediction methods1.2.1 按预测时间尺度分类从功率预测的时间尺度角度来看光伏发电预测方法分为中长期预测、短期预测、超期预测[10]。中长期功率预测的时间尺度往往在一周以上，其预测结果主要为变电站的设以及电网的检修安排或调度规划等提供数据参考；短期功率预测的时间尺度一般在数天内，而超短期功率预测的时间尺度为小时级。短期与超短期的预测结果对于电网的实时度至关重要，直接影响电网的运行安全和供电可靠性。中长期功率预测主要采用统计法，通过对光伏电站采集到的历史数据进行分析，预未来的功率输出。短期功率预测一般结合数值天气预报（Numerical Weather PredictionNWP），根据历史发电量和气象因素共同预测未来几天内的光伏发电功率。超短期功率测的时间尺度最小，云层运动对于光照的影响十分显著，预测时需要借助同步卫星拍摄卫星云图或是地面气象观测站拍摄的云图得到未来几小时的光照强度，再经过功率预测

型的优化是提高预测精度的有效方法。1.3 本文主要内容及各章节安排1.3.1 本文主要研究内容本文主要围绕光伏电站功率短期预测方法展开，主要论述了光伏发电功率预测方法的国内外研究现状，针对不同分类方式下的光伏发电功率预测算法作了详细的介绍。概述了光伏发电并网系统和光伏发电原理，同时阐述了常用的光伏发电功率预测方法的原理和模型构建过程，包括极限学习机模型、最小二乘支持向量机模型和 BP 神经网络方法。在此研究基础上，本文重点针对短期功率预测方法进行研究，提出了一种基于主成分分析法和改进极限学习机的光伏发电功率短期预测方法，试验表明改进后的极限学习机模型可以有效提高光伏发电功率预测精度。同时，本文在改进极限学习机的基础上，提出一种基于相似样本和改进熵权法的光伏发电短期功率组合预测方法，提高了阴雨天气下的模型预测性能。本文的主要研究内容如图 1.2 所示。

将太阳能转化为电能。另一种是先以太阳能发热，发出的热量使得蒸汽膨胀，发电，其原理与火力发电相类似，然而，太阳能热发电的方式对能源的利用效率建成一个可投入运行的太阳能热发电站需要投入大量资金，远比建立同功率的要昂贵。因此，目前很少使用太阳能热发电，而采用更为清洁方便的光-电直接光电直接转换利用的是半导体的光生伏打效应，最常见的材料是半导体硅，通晶片进行封装，构成太阳能组件，辅以功率控制器等元器件组成完整的光伏发电电池与其他类型的电池不同，光伏电池本身不能将光能储存起来，再等到使用电能输出。目前工程上使用最多的是硅晶光伏电池，包括单晶硅、多晶硅和非如图 2.2 所示，在光照下，半导体材料吸收光子，内部形成空穴-电子对（EHP内部电场的作用下，电子向 N 区移动，空穴向 P 区移动，在外端子上形成电部电路相连就可以形成电流。将光伏电池封装得到光伏电池组件，通过串并联伏电池组件组合起来便构成了光伏电池阵列，继而形成光伏电站[45]。
【参考文献】

相关期刊论文 前10条

1 叶林;陈政;赵永宁;朱倩雯;;基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J];电力系统自动化;2015年16期

2 杨茂;齐玥;穆钢;严干贵;齐永志;;基于改进熵权法的风电功率组合预测方法[J];电测与仪表;2015年15期

3 刘念;张清鑫;刘海涛;;基于核函数极限学习机的微电网短期负荷预测方法[J];电工技术学报;2015年08期

4 张华彬;杨明玉;;基于最小二乘支持向量机的光伏出力超短期预测[J];现代电力;2015年01期

5 王新;孟玲玲;;基于EEMD-LSSVM的超短期负荷预测[J];电力系统保护与控制;2015年01期

6 杨育刚;冯旭阳;吕生辉;赵炜;;LS-SVM算法在光伏短期功率预测中的应用[J];国网技术学院学报;2014年05期

7 罗建春;晁勤;罗洪;冉鸿;杨杰;罗庆;阿里努尔·阿木提;;基于LVQ-GA-BP神经网络光伏电站出力短期预测[J];电力系统保护与控制;2014年13期

8 刘振亚;张启平;董存;张琳;王智冬;;通过特高压直流实现大型能源基地风、光、火电力大规模高效率安全外送研究[J];中国电机工程学报;2014年16期

9 杨锡运;刘欢;张彬;陈嵩;;基于熵权法的光伏输出功率组合预测模型[J];太阳能学报;2014年05期

10 杨志超;张成龙;葛乐;龚灯才;顾云峰;黄天衡;;基于熵权法的绝缘子污闪状态模糊综合评价[J];电力自动化设备;2014年04期

本文编号：2872450