伴隨著能源、環(huán)境問題的日益突出,太陽能受到世界各國越來越廣泛的重視,光伏發(fā)電作為太陽能開發(fā)的主要形式之一,光伏的裝機容量得到飛速發(fā)展。相較于傳統(tǒng)的火力、水力發(fā)電,光伏發(fā)電受到太陽光照強度、溫度、濕度、日照時長等諸多因素的影響,輸出功率具有明顯的間歇性、隨機性和不確定性。為了保障光伏并網(wǎng)運行的穩(wěn)定性,提高光伏發(fā)電的消納能力,有必要提出準確的光伏發(fā)電功率預測方法,為電力部門的規(guī)劃和調(diào)度提供科學的參考依據(jù)。本文的主要研究內(nèi)容如下:(1)介紹了常用光伏發(fā)電短期功率預測方法的原理和模型建立過程,主要包括極限學習機(Extreme Learning Machine,ELM)、最小二乘支持向量機(Least Square Support Vector Machine,LSSVM)和BP神經(jīng)網(wǎng)絡(luò)。本文計算Person系數(shù),分析了影響光伏發(fā)電的主要因素,并基于主成分分析法建立光伏發(fā)電功率預測模型,減少了模型輸入量,提高了模型訓練效率。(2)傳統(tǒng)的極限學習機輸入權(quán)值和隱含層偏差都是隨機選取的,模型預測精度仍有待提高。因此,本文提出一種基于改進極限學習機的光伏發(fā)電功率短期預測方法,采用列文伯格-馬夸爾特法(Levenberg-Marquardt,LM)算法修正極限學習機模型參數(shù),獲得了極限學習機預測模型的最優(yōu)網(wǎng)絡(luò),通過建立的改進極限學習機模型來進行短期功率預測,分析驗證了改進模型的有效性。(3)單一預測模型對于數(shù)據(jù)的分析能力有限,為提高波動性較大的陰雨天氣下的預測精度,本文在改進ELM的基礎(chǔ)上引入另外兩種非線性模型,提出一種基于相似樣本和改進熵權(quán)法的光伏發(fā)電功率組合預測方法。首先,對光伏發(fā)電功率和氣象數(shù)據(jù)樣本進行聚類分析,初步形成不同天氣類型下的相似日樣本集,并采用加權(quán)歐式距離、余弦相似度和灰色關(guān)聯(lián)系數(shù)來定義相似樣本綜合選取指標,從而選取模型訓練樣本。分別采用GA-BP、PSO-LSSVM以及本文提出的LM-ELM三種單一模型對待預測日的發(fā)電功率進行預測,最后利用改進熵權(quán)法來動態(tài)設(shè)置不同預測時間段內(nèi)單一預測模型的權(quán)重值,將單一模型進行合理組合,獲得光伏發(fā)電功率預測結(jié)果,表明了基于相似樣本和改進熵權(quán)法的組合預測模型,在氣象變化較大的天氣下有較好的預測精度。
【學位單位】：江蘇大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TM615
【部分圖文】：

圖 1.1 光伏發(fā)電功率預測方法分類Fig.1.1 Classification of photovoltaic power prediction methods1.2.1 按預測時間尺度分類從功率預測的時間尺度角度來看光伏發(fā)電預測方法分為中長期預測、短期預測、超期預測[10]。中長期功率預測的時間尺度往往在一周以上，其預測結(jié)果主要為變電站的設(shè)以及電網(wǎng)的檢修安排或調(diào)度規(guī)劃等提供數(shù)據(jù)參考；短期功率預測的時間尺度一般在數(shù)天內(nèi)，而超短期功率預測的時間尺度為小時級。短期與超短期的預測結(jié)果對于電網(wǎng)的實時度至關(guān)重要，直接影響電網(wǎng)的運行安全和供電可靠性。中長期功率預測主要采用統(tǒng)計法，通過對光伏電站采集到的歷史數(shù)據(jù)進行分析，預未來的功率輸出。短期功率預測一般結(jié)合數(shù)值天氣預報（Numerical Weather PredictionNWP），根據(jù)歷史發(fā)電量和氣象因素共同預測未來幾天內(nèi)的光伏發(fā)電功率。超短期功率測的時間尺度最小，云層運動對于光照的影響十分顯著，預測時需要借助同步衛(wèi)星拍攝衛(wèi)星云圖或是地面氣象觀測站拍攝的云圖得到未來幾小時的光照強度，再經(jīng)過功率預測

型的優(yōu)化是提高預測精度的有效方法。1.3 本文主要內(nèi)容及各章節(jié)安排1.3.1 本文主要研究內(nèi)容本文主要圍繞光伏電站功率短期預測方法展開，主要論述了光伏發(fā)電功率預測方法的國內(nèi)外研究現(xiàn)狀，針對不同分類方式下的光伏發(fā)電功率預測算法作了詳細的介紹。概述了光伏發(fā)電并網(wǎng)系統(tǒng)和光伏發(fā)電原理，同時闡述了常用的光伏發(fā)電功率預測方法的原理和模型構(gòu)建過程，包括極限學習機模型、最小二乘支持向量機模型和 BP 神經(jīng)網(wǎng)絡(luò)方法。在此研究基礎(chǔ)上，本文重點針對短期功率預測方法進行研究，提出了一種基于主成分分析法和改進極限學習機的光伏發(fā)電功率短期預測方法，試驗表明改進后的極限學習機模型可以有效提高光伏發(fā)電功率預測精度。同時，本文在改進極限學習機的基礎(chǔ)上，提出一種基于相似樣本和改進熵權(quán)法的光伏發(fā)電短期功率組合預測方法，提高了陰雨天氣下的模型預測性能。本文的主要研究內(nèi)容如圖 1.2 所示。

將太陽能轉(zhuǎn)化為電能。另一種是先以太陽能發(fā)熱，發(fā)出的熱量使得蒸汽膨脹，發(fā)電，其原理與火力發(fā)電相類似，然而，太陽能熱發(fā)電的方式對能源的利用效率建成一個可投入運行的太陽能熱發(fā)電站需要投入大量資金，遠比建立同功率的要昂貴。因此，目前很少使用太陽能熱發(fā)電，而采用更為清潔方便的光-電直接光電直接轉(zhuǎn)換利用的是半導體的光生伏打效應(yīng)，最常見的材料是半導體硅，通晶片進行封裝，構(gòu)成太陽能組件，輔以功率控制器等元器件組成完整的光伏發(fā)電電池與其他類型的電池不同，光伏電池本身不能將光能儲存起來，再等到使用電能輸出。目前工程上使用最多的是硅晶光伏電池，包括單晶硅、多晶硅和非如圖 2.2 所示，在光照下，半導體材料吸收光子，內(nèi)部形成空穴-電子對（EHP內(nèi)部電場的作用下，電子向 N 區(qū)移動，空穴向 P 區(qū)移動，在外端子上形成電部電路相連就可以形成電流。將光伏電池封裝得到光伏電池組件，通過串并聯(lián)伏電池組件組合起來便構(gòu)成了光伏電池陣列，繼而形成光伏電站[45]。
【參考文獻】

相關(guān)期刊論文 前10條

1 葉林;陳政;趙永寧;朱倩雯;;基于遺傳算法—模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預測模型[J];電力系統(tǒng)自動化;2015年16期

2 楊茂;齊玥;穆鋼;嚴干貴;齊永志;;基于改進熵權(quán)法的風電功率組合預測方法[J];電測與儀表;2015年15期

3 劉念;張清鑫;劉海濤;;基于核函數(shù)極限學習機的微電網(wǎng)短期負荷預測方法[J];電工技術(shù)學報;2015年08期

4 張華彬;楊明玉;;基于最小二乘支持向量機的光伏出力超短期預測[J];現(xiàn)代電力;2015年01期

5 王新;孟玲玲;;基于EEMD-LSSVM的超短期負荷預測[J];電力系統(tǒng)保護與控制;2015年01期

6 楊育剛;馮旭陽;呂生輝;趙煒;;LS-SVM算法在光伏短期功率預測中的應(yīng)用[J];國網(wǎng)技術(shù)學院學報;2014年05期

7 羅建春;晁勤;羅洪;冉鴻;楊杰;羅慶;阿里努爾·阿木提;;基于LVQ-GA-BP神經(jīng)網(wǎng)絡(luò)光伏電站出力短期預測[J];電力系統(tǒng)保護與控制;2014年13期

8 劉振亞;張啟平;董存;張琳;王智冬;;通過特高壓直流實現(xiàn)大型能源基地風、光、火電力大規(guī)模高效率安全外送研究[J];中國電機工程學報;2014年16期

9 楊錫運;劉歡;張彬;陳嵩;;基于熵權(quán)法的光伏輸出功率組合預測模型[J];太陽能學報;2014年05期

10 楊志超;張成龍;葛樂;龔燈才;顧云峰;黃天衡;;基于熵權(quán)法的絕緣子污閃狀態(tài)模糊綜合評價[J];電力自動化設(shè)備;2014年04期

本文編號：2872450