基于時空關(guān)系的廣域分布式光伏發(fā)電群出力預測關(guān)鍵模型研究
發(fā)布時間:2022-08-07 22:17
本文提出一種面向大規(guī)模分布式光伏用戶出力預測的光伏分群方法;首先將氣象對光伏出力的影響分為大氣候和小氣候兩類:大氣候主要是日照或四類天氣類型影響,通過光伏日出力平均值來劃分,從而將歷史數(shù)據(jù)時段劃分為四類天氣類型樣本群;小氣候認為是光伏安裝高程、溫度、濕度以及周圍地理環(huán)境等廣義小氣候影響,對歷史四類天氣類型樣本群,進行空間相關(guān)的聚類分析,得到用戶光伏區(qū)域劃分;綜合分塊中不合群的光伏用戶點數(shù)量和子區(qū)域氣象一致性來決定最優(yōu)地域分塊方案為用戶光伏劃群策略,為氣象站點最少部署或提出多用戶空間-時間相關(guān)的功率預測提供依據(jù);谝烟岢龅拇笠(guī)模區(qū)域光伏分群方法,進一步篩選分群電站中與待預測電站具有空間相關(guān)性的光伏電站,建立ARMA模型來預測光伏發(fā)電出力的方法。選擇與待預測電站具有相關(guān)關(guān)系的光伏電站作為相關(guān)性從站,引入ARMA模型進行預測并對預測精度進行了分析,表明此模型具有一定的預測能力;最后,對整個區(qū)域里所有分布式光伏用戶進行預測并進行了誤差分析,證明此方法對于廣域分布式光伏群具有普遍適用性。
【文章頁數(shù)】:55 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景
1.2 研究目的及意義
1.3 已有研究綜述
1.4 本文關(guān)鍵技術(shù)
1.4.1 聚類分析
1.4.2 時間序列模型
1.5 本文的研究內(nèi)容及結(jié)構(gòu)
1.5.1 研究內(nèi)容
1.5.2 論文結(jié)構(gòu)
2 廣域分布式光伏群區(qū)域劃分
2.1 光伏出力過程與氣象的關(guān)聯(lián)原理
2.1.1 太陽輻射
2.1.2 溫度
2.1.3 其他因素
2.2 廣義天氣類型
2.3 聚類初始位置
2.4 基于聚類分析的子區(qū)域劃分
2.4.1 不和諧電站占比
2.4.2 氣象一致性
2.5 本章小結(jié)
3 基于空間相關(guān)性改進ARMA模型的預測模型
3.1 基于ARMA模型的單站實際出力預測
3.2 基于空間相關(guān)性改進ARMA預測模型
3.2.1 數(shù)據(jù)預處理
3.2.2 空間相關(guān)性匹配過程
3.2.3 基于空間相關(guān)性的預測模型
3.3 預測誤差統(tǒng)計分析
3.4 本章小結(jié)
4 案例分析
4.1 編程平臺
4.2 模型驗證
4.2.1 數(shù)據(jù)來源
4.2.2 天氣類型識別
4.2.3 區(qū)域劃分
4.2.4 模型預測
4.3 區(qū)域預測評價
4.4 本章小結(jié)
5 總結(jié)與展望
5.1 全文總結(jié)
5.2 展望
致謝
參考文獻
附錄一
附錄二
【參考文獻】:
期刊論文
[1]基于多尺度聚類分析的光伏功率特性建模及預測應用[J]. 管霖,趙琦,周保榮,呂耀棠,趙文猛,姚文峰. 電力系統(tǒng)自動化. 2018(15)
[2]基于氣象因子權(quán)重相似日的短期光伏功率預測[J]. 李偉,王冰,陳獻慧,繆永來. 廣東電力. 2018(04)
[3]基于分層聚類算法的地區(qū)風電出力典型場景選取方法[J]. 林俐,費宏運,劉汝琛,潘險險. 電力系統(tǒng)保護與控制. 2018(07)
[4]Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks[J]. Saad Parvaiz DURRANI,Stefan BALLUFF,Lukas WURZER,Stefan KRAUTER. Journal of Modern Power Systems and Clean Energy. 2018(02)
[5]光伏發(fā)電出力特征提取及區(qū)域集群聚合特性[J]. 蘇適,陸海,嚴玉廷,楊家全. 云南電力技術(shù). 2018(01)
[6]基于相似日和主成分分析的光伏發(fā)電系統(tǒng)短期出力預測[J]. 侯松寶,王侃宏,石凱波,孔力,曹輝. 可再生能源. 2018(01)
[7]面向分布式光伏虛擬集群的有源配電網(wǎng)多級調(diào)控[J]. 竇曉波,常莉敏,倪春花,段向梅,葛浦東,吳在軍. 電力系統(tǒng)自動化. 2018(03)
[8]光伏發(fā)電并網(wǎng)輸電效率性能評價研究[J]. 王湘艷,苗淼,陳寧,湯奕. 計算機仿真. 2017(11)
[9]光伏出力特性指標體系和分類典型曲線研究[J]. 王建學,張耀,萬筱鐘. 電力需求側(cè)管理. 2017(05)
[10]基于ARMA模型的短期風功率預測研究[J]. 劉軍濤,歐陽孜. 西北水電. 2017(06)
本文編號:3671143
【文章頁數(shù)】:55 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景
1.2 研究目的及意義
1.3 已有研究綜述
1.4 本文關(guān)鍵技術(shù)
1.4.1 聚類分析
1.4.2 時間序列模型
1.5 本文的研究內(nèi)容及結(jié)構(gòu)
1.5.1 研究內(nèi)容
1.5.2 論文結(jié)構(gòu)
2 廣域分布式光伏群區(qū)域劃分
2.1 光伏出力過程與氣象的關(guān)聯(lián)原理
2.1.1 太陽輻射
2.1.2 溫度
2.1.3 其他因素
2.2 廣義天氣類型
2.3 聚類初始位置
2.4 基于聚類分析的子區(qū)域劃分
2.4.1 不和諧電站占比
2.4.2 氣象一致性
2.5 本章小結(jié)
3 基于空間相關(guān)性改進ARMA模型的預測模型
3.1 基于ARMA模型的單站實際出力預測
3.2 基于空間相關(guān)性改進ARMA預測模型
3.2.1 數(shù)據(jù)預處理
3.2.2 空間相關(guān)性匹配過程
3.2.3 基于空間相關(guān)性的預測模型
3.3 預測誤差統(tǒng)計分析
3.4 本章小結(jié)
4 案例分析
4.1 編程平臺
4.2 模型驗證
4.2.1 數(shù)據(jù)來源
4.2.2 天氣類型識別
4.2.3 區(qū)域劃分
4.2.4 模型預測
4.3 區(qū)域預測評價
4.4 本章小結(jié)
5 總結(jié)與展望
5.1 全文總結(jié)
5.2 展望
致謝
參考文獻
附錄一
附錄二
【參考文獻】:
期刊論文
[1]基于多尺度聚類分析的光伏功率特性建模及預測應用[J]. 管霖,趙琦,周保榮,呂耀棠,趙文猛,姚文峰. 電力系統(tǒng)自動化. 2018(15)
[2]基于氣象因子權(quán)重相似日的短期光伏功率預測[J]. 李偉,王冰,陳獻慧,繆永來. 廣東電力. 2018(04)
[3]基于分層聚類算法的地區(qū)風電出力典型場景選取方法[J]. 林俐,費宏運,劉汝琛,潘險險. 電力系統(tǒng)保護與控制. 2018(07)
[4]Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks[J]. Saad Parvaiz DURRANI,Stefan BALLUFF,Lukas WURZER,Stefan KRAUTER. Journal of Modern Power Systems and Clean Energy. 2018(02)
[5]光伏發(fā)電出力特征提取及區(qū)域集群聚合特性[J]. 蘇適,陸海,嚴玉廷,楊家全. 云南電力技術(shù). 2018(01)
[6]基于相似日和主成分分析的光伏發(fā)電系統(tǒng)短期出力預測[J]. 侯松寶,王侃宏,石凱波,孔力,曹輝. 可再生能源. 2018(01)
[7]面向分布式光伏虛擬集群的有源配電網(wǎng)多級調(diào)控[J]. 竇曉波,常莉敏,倪春花,段向梅,葛浦東,吳在軍. 電力系統(tǒng)自動化. 2018(03)
[8]光伏發(fā)電并網(wǎng)輸電效率性能評價研究[J]. 王湘艷,苗淼,陳寧,湯奕. 計算機仿真. 2017(11)
[9]光伏出力特性指標體系和分類典型曲線研究[J]. 王建學,張耀,萬筱鐘. 電力需求側(cè)管理. 2017(05)
[10]基于ARMA模型的短期風功率預測研究[J]. 劉軍濤,歐陽孜. 西北水電. 2017(06)
本文編號:3671143
本文鏈接:http://sikaile.net/kejilunwen/dianlilw/3671143.html
最近更新
教材專著