论文部分内容阅读
目前人类面临着能源危机和环境污染等诸多问题,采用可再生能源代替传统化石能源是解决这些问题的必要途径和发展趋势。随着可再生能源利用技术的逐渐成熟,我国可再生能源经历了快速的发展,光伏发电在电网中占比逐年提高。与常规能源相比,光伏发电具有清洁、便利、安全可靠,建设周期短,易大规模产业化等优点,目前已经成为能源与生态环境可持续发展的重要组成部分。但是,气象等自然因素对光伏发电具有较大程度的影响,导致光伏发电具有随机性和波动性,光伏发电易产生不确定性因素,这些不确定性因素对电力系统运行和电网调度产生极大的挑战。负荷预测和光伏发电功率预测是电力系统优化调度的前提和基础,通过合理有效的预测技术提高电力负荷和光伏发电功率的预测精度和效果,在获得电力负荷和光伏发电功率预测数据的基础上,对煤炭和太阳能资源丰富的地区进行含光伏发电并网的“光—火”联合发电系统进行环境经济调度,对于充分利用太阳能,提高光伏发电利用率,降低光伏发电并网对电力系统的冲击和影响,构建生态环境友好型社会具有极其重要的意义和作用。在此背景下,本文针对含光伏发电并网的“光—火”联合发电系统进行短期负荷预测和光伏发电功率预测,以精准的电力负荷和光伏发电功率预测数据作为基础,深入研究电力系统环境经济调度问题,主要工作和创新成果如下:（1）提出了一种基于量子烟花算法优化支持向量机（QFAW-SVM）的短期负荷预测模型。首先,分析了支持向量机（SVM）在电力系统短期负荷预测过程中参数不易合理优化,导致负荷预测结果不够精确的问题。针对此问题,本文建立了量子烟花算法优化SVM的电力系统短期负荷预测模型,采用量子烟花算法对SVM模型参数进行优化,建立了QFAW-SVM预测模型对“光—火”联合发电系统优化调度时段的负荷进行预测。实际负荷算例验证了本文所提模型的合理性和有效性。本文所提方法较好地避免了SVM模型参数优化不合理导致预测结果不够理想的问题,有效地提高了SVM模型短期负荷的预测效果,为短期负荷的精准预测提供了新的方法,同时为后续“光—火”联合发电系统环境经济调度提供了负荷数据依据。（2）针对光伏发电波动性和随机性影响光伏发电功率精准预测的问题,以及基于传统机器学习算法的预测模型在光伏发电功率方面存在预测方法单一、预测精度不够理想的问题,本文提出一种改进自适应噪声完备集合经验模态分解算法（ICEEMDAN）结合支持向量机（SVM）的复合预测模型（ICEEMDAN-IF-MPSO-SVM）。首先,采用ICEEMDAN算法将原始光伏发电功率分解为一系列的本征模态函数IMF,IMF自适应地划分为相应的群组。其次,采用改进粒子群算法（MPSO）优化SVM模型参数,建立了MPSO-SVM预测模型对相应归类的IMF群组表示的光伏发电功率波动分量进行预测,最后叠加重构各波动分量的预测结果,得到最终的预测结果。通过实际算例验证了本文所提预测模型的通用性和优越性。本文所提出模型将波动的光伏发电功率信号合理分解,降低了光伏发电功率信号中波动分量对功率预测精度的影响,较好地平抑了光伏发电的不确定性,有效提高了光伏发电功率的预测效果和预测精度。（3）针对光伏发电功率预测过程中,基于传统机器学习算法的预测模型忽视学习过程,不能很好地挖掘光伏发电功率与其影响因素相关性的问题,提出了基于优化的变分模态分解算法（OVMD）结合长短期记忆网络（LSTM）的复合预测模型（OVMD-IPSO-LSTM）。首先,采用基于特征频率和互信息最大值的参数优化方法,对传统变分模态分解算法（VMD）的模态数量和惩罚因子进行优化,采用改进后的算法（OVMD）将光伏发电功率分解为一系列的本征模态函数IMF。其次,建立了改进惯性权重的粒子群算法（IPSO）优化LSTM模型参数,建立了IPSO-SVM预测模型对每个IMF表示的光伏发电波动分量进行预测,叠加重构每个波动分量的预测结果,得到最终的预测结果。通过实际算例验证了本文所提模型的有效性。本文所提方法较好地挖掘了光伏发电功率及气象等影响因素的关联信息,有效解决了光伏发电功率数据信号的噪声问题,对光伏发电信号进行了平稳化处理,减少了波动分量对光伏发电功率预测的干扰,较好地抑制了光伏发电不确定性对功率预测的影响,实现了光伏发电功率的精准预测。（4）提出了一种基于熵值法的光伏发电功率组合预测模型,分别采用遗传算法优化小波神经网络（GA-WNN）、ICEEMDAN-IF-MPSO-SVM和OVMD-IPSO-LSTM三种单项预测模型,对实际光伏电站发电功率分别进行预测,再通过熵值法合理确定各单项预测模型的加权系数,建立了包含上述三个单项预测模型的基于熵值法的组合预测模型。实际算例预测结果表明,本文所提组合预测模型在第3、4章ICEEMDAN-IF-MPSO-SVM和OVMD-IPSO-LSTM预测模型基础上,光伏发电功率预测精度和预测效果进一步得到提高,为光伏发电组合预测提供了新的思路,同时为后续“光—火”联合发电系统环境经济调度提供了光伏发电数据依据。（5）提出了一种含光伏发电的电力系统动态环境经济优化调度模型。结合前期负荷和光伏发电功率预测技术和预测数据,针对含光伏发电并网的“光—火”联合发电系统经济运行和环境保护问题,建立了“光—火”联合发电系统动态环境经济调度模型,以联合发电系统发电成本和费用最低,污染气体排放量最小为双重优化目标,采用带精英策略的快速非支配排序遗传算法混合改进粒子群算法（NSGA-II-PSO）对优化调度模型进行求解,得到联合发电系统优化调度的多目标帕累托最优解集,并通过最大满意度原则得到最优折中解,最终在“光—火”联合发电系统动态调度中,实现了环境指标和经济指标的综合最优。