论文部分内容阅读
由于环境恶化、能源紧缺,以清洁、可再生能源为主的新能源引起人们关注。太阳能具有能量巨大、资源丰富且清洁无污染的优势,使光伏发电得到迅速发展和应用。随着光伏装机容量不断增加,其随机性和波动性的发电特点对电力系统造成的影响不容忽视。对光伏发电功率进行预测,一方面可为调度人员提供决策参考,制定调度计划,降低光伏并网带来的不利影响;另一方面增强系统对光伏的消纳能力,提高能源利用率,获取更大的经济效益和社会效益。本文首先对光伏发电影响因素进行定性和定量分析,筛选出光伏出力主要影响因素。重点对原始数据集进行预处理,包括归一化、异常数据的剔除及补充、数据分类、降维处理等,保证训练数据的准确性并提高模型收敛速度。接下来,通过建立基于BP神经网络(back propagation neural network,BP)的光伏功率短期点预测模型并进行算例仿真,说明BP网络建模过程复杂、易陷入局部极小值等缺陷。针对BP网络模型的缺陷,本文采用支持向量机(Support Vector Machine,SVM)回归算法,并将粒子群优化算法(Particle Swarm Optimization,PSO)和网格搜索算法(Grid Search Method,GSM)的优点相结合对SVM参数(c,g)进行寻优,提出了基于PSO-GSM-SVM的光伏功率短期点预测模型。随机预测晴空和非晴空工况某天的光伏功率,并与其他点预测模型进行对比,结果表明基于PSO-GSM-SVM的光伏功率短期点预测模型能够适应不同天气工况,模型泛化能力强,拟合度高,运行速度快。针对点预测模型无法量化光伏波动性、随机性带来的误差影响,本文建立了光伏功率短期区间预测模型。重点介绍了区间预测的概念、应用及区间预测评价标准。引入了基于预测区间累计偏差(prediction interval accumulative deviation,PIAD)的优化目标,并采用PSO对边界估值理论(lower upper bound estimation,LUBE)的权值进行优化,构建了基于PIAD优化目标的PSO-LUBE短期光伏功率区间预测模型。并与LUBE权值未经PSO优化的模型及基于组合覆盖宽度判据(coverage width-based.criterion,CWC)优化目标的区间预测模型进行对比,通过算例仿真,验证了该模型在不同天气工况下均满足置信度要求,确保预测区间的可靠性,同时得到的预测区间平均宽度较窄、预测区间累计偏差较小,保障了预测区间的准确性。