论文部分内容阅读
随着全球化地能源应用变革,可再生能源在全球能源结构中的比例迅速增大。光伏发电作为一种高效、清洁能源,正成为可再生能源发电中的新增长点。近年来,全球光伏产业市场强劲增长,各国新增装机容量快速提高;但光伏发电功率受太阳辐照度、温度、湿度等气象因素影响较大,具有间歇性、波动性、周期性特点。大规模光伏接入会拉大电网峰谷差距,造成调峰困难,影响电能质量和电网的安全稳定运行。因此,结合历史数据与未来气象数据有效预测光伏输出功率,帮助调度人员合理的规划电网调度,管理运行,对于电力系统的安全稳定运行具有非常重要的意义。本文选择短期(一天)光伏发电功率预测为主要研究内容。由于影响光伏发电的因素较为复杂,利用Pearson相关系数与Spearman秩相关系数对其进行分析,设计基于功率的相似日聚类方法。之后,为提高光伏发电功率预测的精度,针对所得到的各聚类簇,提出了一种基于自适应烟花算法(Adaptive FireWorks Algorithm,AFWA)优化径向基函数神经网络(Radial Bais Function Neural Network,RBFNN)的预测模型,利用自适应烟花算法的种群协同搜索优势,优化网络参数进而实现更加精确地光伏出力预测。同时,光伏电站在长期运行后积累了大量的历史数据,随着电站的运行,数据量也将越来越大,单机环境下使用大量历史数据计算耗时较长,影响电网的快速调度。本文搭建基于内存的Spark云计算平台,并对所提算法进行并行化改进实现。在Spark平台上运行算法,提高计算效率。在单机和多节点Spark云平台下分别与传统单一RBFNN及粒子群算法(PSO)优化RBFNN对比实验,验证所提算法提高了预测精度,且算法并行化后大大缩短了计算时间。