论文部分内容阅读
随着化石能源的缺乏和环境污染等问题在全球范围内的日益突出,光伏发电作为环境友好型的可再生能源发电,是目前可再生能源中最具规模化开发条件和商业化发展前景的发电方式之一,受到越来越多的关注。由于太阳辐照和其他环境因素的波动性、随机性和非线性等特点,光伏发电系统的输出功率随时间动态地改变,其变化不仅会影响并接的电力系统的稳定性还会给光伏发电系统的投资者增加利益风险。因此对光伏功率进行预测显得非常重要。本文通过对实际光伏电站数据特性进行分析,探寻不同影响因素与光伏功率预测之间的关联性,为选择预测建模方法提供理论基础,不断优化预测模型,进一步提高短期光伏功率预测精度。本文首先以光伏电站的功率模型为基础,研究了光伏输出功率的主要影响因素,然后以美国俄勒冈州的Ashland光伏电站2015年实测数据为研究对象,对光伏功率与气象影响因素进行相关性分析,为下文预测建模奠定基础。其次介绍了极限学习机与核极限学习机的基本原理,在此基础上建立了基于核极限学习机短期光伏功率预测模型。针对核极限学习机预测模型的参数优化问题,分析了核参数?与惩罚系数C对核极限学习机性能的影响,提出一种基于萤火虫算法优化的核极限学习机(FA-KELM)短期光伏功率预测新方法,通过实际算例对核极限学习机和经PSO优化的核极限学习机和经FA优化的核极限学习机三种模型进行对比,结果表明萤火虫算法有效解决了KELM参数盲目选择的问题,更高效地提高了核极限学习机预测模型的预测精度。然后,针对光伏功率序列非线性与非平稳特征,为了提高预测模型在功率快速波动时段的预测精度,提出了一种基于变分模态分解和样本熵的短期光伏组合预测新方法,通过实际算例进行仿真验证,结果表明变分模态分解方法有效地降低了光伏功率序列的非平稳性,进一步提高了预测模型的预测精度,样本熵算法缩短预测模型的训练时间,提高了预测效率。最后,对比各种确定性的点预测模型,提出了一种短期光伏功率区间预测方法,通过实际算例进行仿真验证,结果表明区间预测可以确保在某一定置信水平下实际值落入到该预测区间内,能够为决策者提供更加全面的信息,更加有益于电力系统的规划与运行。所提方法从整体上提高预测模型的预测效率与预测精度,具有很好的应用潜力。