论文部分内容阅读
随着世界能源需求量的持续增长,全球范围内的能源危机日益险峻,加之传统能源对环境造成的污染不断突显,可再生能源得到了大力发展。光伏发电作为一种绿色可再生能源,凭借永久性、清洁性和灵活性受到广泛关注。但是,由于分布式光伏发电具有波动性和间歇性的特点,发电功率的变化将会导致接入点电网电压的波动,同时加大配电网运行控制的难度。因此对分布式光伏发电系统输出功率的不确定性进行研究具有重大的理论和现实意义。本文围绕该主题,展开如下研究:(1)基于正交级数的光伏输出功率概率研究针对现有光伏输出功率概率建模中参数法需要事先假设参数分布且不能综合考虑各种随机影响因素、核密度估计法带宽值求取方法不统一的缺点,本文提出基于正交级数理论直接建立光伏输出功率的概率模型,并利用实测光伏功率的历史数据进行仿真,结合拟合优度检验和误差分析,验证所提模型的准确性和有效性。(2)基于层次聚类与PSO的双输出极限学习机光伏功率区间预测传统的光伏输出功率预测采用间接性的点值预测,模型基于辐照度与光伏输出功率间的函数关系,忽略了影响光伏输出功率因素的多样性,且确定性的点值预测误差范围大、稳定性低。针对该问题,本文提出基于场景分类和极限学习机的区间预测模型,根据实测气象数据和历史光伏功率直接给出预测区间,再利用粒子群算法优化模型输出权重,得到兼顾可靠性和清晰度的区间结果。(3)基于增强学习的快速极限学习机光伏功率区间预测针对极限学习机优化过程耗时长的问题,本文提出基于增强学习理论建立快速光伏输出功率区间预测模型。将ELM模型作为基学习器,采用Adaboost算法根据验证集的预测结果,在学习的过程中重点关注预测误差大的样本和学习性能好的基学习器,逐一更新样本的权值和基学习器的权重,组合得到最终的区间预测结果。通过实例验证了所提模型对区间预测技术计算速度的提高作用。(4)基于在线序贯学习机的光伏功率区间预测考虑到新建分布式光伏发电系统数据量少,采样信息无法一次性获得且存在信息冗余的情况,本文采用相关系数提取与光伏输出功率相关性大的变量作为模型输入,同时利用在线序贯学习机可批次处理样本,无需重复计算历史数据的特点,建立逐次迭代的在线光伏输出功率区间预测模型。通过实例验证了所提模型在保证一定预测精度的情况下能满足在线应用需求。