论文部分内容阅读
近年来,随着光伏发电以及光伏并网技术的快速发展,光伏装机容量在世界范围内稳步增长。然而,光伏发电的随机性和间歇性极大地影响了光伏并网系统的安全稳定运行,增加了管理和运营调度的难度,准确预测光伏输出功率是解决上述问题的有效手段之一。鉴于区间二型模糊逻辑系统（FLS）模型对建模中存在的不确定性具有更好的解释性,以及非线性卡尔曼滤波（KF）算法的成功应用,针对短期光伏功率预测,本文提出了基于非线性KF算法优化的区间二型Takagi-Sugeno-Kang（TSK）模糊神经网络（FNN）模型,同时,考虑到光伏功率数据的特性,将基于自组织映射（SOM）神经网络的区域划分算法与之结合,以达到进一步提高预测精度的目的。论文的主要研究成果包含如下方面:（1）研究区间二型Mamdani和区间二型TSK FLS模型,提出结合模糊c均值（FCM）聚类的SOM-FCM算法,并进一步给出基于SOM-FCM算法的区域二型FLS模型。将不同的区间二型Mamdani和TSK FLS方法分别用于无噪声以及噪声Mackey-Glass混沌时间序列的预测,其他一型Mamdani和TSK FLS方法用于对比。结果表明在无噪声以及有噪声的情形下,区间二型A2-C0 TSK FLS方法的预测精度略优于区间二型Mamdani FLS方法,并且明显优于其他对比一型Mamdani和TSK FLS方法。将基于SOM-FCM算法的区域二型Mamdani和TSK FLS方法分别用于3个不同光伏电站的短期输出功率预测。结果表明,相较于基于Mamdani和TSK的各区域一型、二型FLS方法,在不同光伏电站的预测中,区域二型A2-C0 TSK FLS方法的预测精度最高。（2）研究基于EKF的区间二型A2-C0 FNN模型,提出结合Davies-Bouldin指数（DBI）的SOM-DBI算法,并进一步给出基于SOM-DBI算法的区域二型A2-C0 FNN模型。将区间二型A2C0-EKF FNN方法分别用于无噪声以及噪声Mackey-Glass混沌时间序列的预测,基于BP算法调整的区间二型A2-C0（A2C0-BP）FLS方法用于对比。结果表明在无噪声以及有噪声的情形下,区间二型A2C0-EKF FNN方法的预测都是最优的。将基于SOM-DBI算法的区域二型A2C0-EKF FNN方法用于澳大利亚某电站短期光伏输出功率预测,各区间一型、二型Mamdani,TSK FLS方法用于对比。结果表明,在不同季节的不同天气条件下,区域二型A2C0-EKF FNN方法的预测精度都是最高的。相较于其他对比方法,区域二型A2C0-EKF FNN方法的均方根误差（RMSE）在各季的平均下降依次为16.36%,5.11%,23.29%以及44.69%。（3）研究基于平方根无迹KF（SUKF）学习算法的区间二型A2-C0 FNN模型,提出结合天气类型分类技术（WT）的WT-SOM算法,并进一步给出基于WT-SOM算法的区域二型A2-C0 FNN模型。将区间二型A2C0-SUKF FNN方法分别用于无噪声以及噪声Mackey-Glass混沌时间序列的预测,区间二型A2C0-BP FLS方法以及区间二型A2C0-EKF FNN方法用于对比。结果表明在无噪声以及有噪声的情形下,区间二型A2C0-SUKF FNN方法的预测都是最优的。将基于WT-SOM算法的区域二型A2C0-SUKF FNN方法用于澳大利亚某电站短期光伏输出功率预测,分别结合WT-SOM算法的区域二型A2C0-BP FLS方法以及区域二型A2C0-EKF FNN方法用于对比,另外包括SUKF学习算法调整的区域递归神经网络（RNN-SUKF）方法。结果表明,在不同季节的不同天气类型下,提出的区域二型A2C0-SUKF方法的预测精度都是最高的。（4）研究基于平方根容积KF（SUKF）学习算法的区间二型A2-C0 FNN模型,将WT-SOM算法与区间二型A2C0-SCKF FNN相结合,提出区域二型A2C0-SCKF FNN模型。将区间二型A2C0-SCKF FNN方法分别用于无噪声以及噪声Mackey-Glass混沌时间序列的预测,区间二型A2C0-BP FLS,区间二型A2C0-EKF FNN以及区间二型A2C0-SUKF FNN用于对比。结果表明在无噪声以及有噪声的情形下,区间二型A2C0-SCKF FNN方法的预测都是最优的。将基于WT-SOM算法的区域二型A2C0-SCKF FNN方法用于澳大利亚某电站的短期光伏输出功率预测,分别结合WT-SOM算法的区域二型A2C0-BP FLS方法,区域二型A2C0-EKF FNN方法以及区域二型A2C0-SUKF FNN方法用于对比,另外包括SCKF学习算法训练的区域递归神经网络（RNN-SCKF）方法。结果表明,在不同季节,对于包含不同天气类型的数据,提出的区域二型A2C0-SCKF方法的预测明显优于其他对比模型。