论文部分内容阅读
光伏发电输出功率具有明显的随机性和间歇性,随着分布式光伏系统大规模并入电网,必将对电网调度管理、用电安全带来巨大挑战。光伏出力预测是解决该问题的关键技术之一,是分布式光伏发电精细化管理、安全和调度的基础,对改善光伏入网质量具有重要的意义。为实现光伏出力预测技术的研究,本文首先设计并实现了气象参数和电气参数的远程在线监测系统。在此基础上,研究了光伏出力的影响因素和输入参数相关性。现有的预测模型存在输入维数高和模型结构复杂等缺点,其预测结果也难以满足实际需求。本文引入理论数据作为外生输入变量降低对数据环境的要求,通过小波分析得到高频数据作为变异度特征数据,以此实现简化分类。此外通过对相关因子二次计算达到降低数据耦合程度的目的。然后利用Gamma Test和多目标遗传组合算法,实现智能选择输入变量,减小信息冗余。并通过建立支持向量回归机模型、神经网络模型和自回归模型实例分析,实现小时平均输出功率的分类预测,在天气异变度较低时相对均方根误差分别为9.7%,9.1%,7.8%;异变度较高时分别为13.54%,13.36%,13.87%的预测精度。相较于优化前精度提高3%以上,实验结果表明引入外生因子和优化选择变量方法对提高预测精度和缩减训练时间有明显作用。同时,光伏出力预测仍有很大的不确定性,单点预测难以满足所有需求。因此,本文建立了2D区间预测模型,预测区间包含未来时间间隔内瞬时输出功率变化的上界和下界。实现了基础算法模型平均相对误差13.2%和支持向量机模型平均误差11.04%的预测精度。本文针对分布式光伏电站精细化管理的需求研制了远程在线监测系统。并通过引入理论计算数据及综合性特征变量,实现充分利用已有信息的目的。然后结合Gamma Test和多目标遗传组合算法有效改善模型的预测精度。此外,针对预测模型在天气异变度高时精度较低的缺陷,建立了预测信息更加丰富2D区间预测模型。本研究可用于实现光伏系统与电网之间协调配合,以及光伏系统经济最优。