论文部分内容阅读
环境恶化和资源短缺是全球面临的共同危机。为缓解这一现象,各国大力推广可再生清洁能源的利用。太阳能因其清洁、高效、安全、便捷等优势得到了广泛地关注。太阳光强度和天气等因素都会影响光伏发电功率的波动,随着在电网中光伏发电装机容量的比重持续增大,其随机性和不稳定性对于并入大电网的影响也随之扩大,为了电力系统良好的电能质量和其安全、稳定的运行,关键环节是对光伏发电的及时调度,能够准确调度的前提条件是对其发电功率的准确预测。本课题基于支持向量机(SVM)原理对光伏发电短期功率的预测做出了深入的研究,为了进一步提高光伏发电功率的预测精度,提出了一种基于VMD-SE-LSSVM和迭代误差修正的预测方法。光伏发电功率的变化是非稳定和随机的,天气、辐照度和其它不确定因素对发电功率的影响都体现在光伏发电的历史功率数据中,故该方法首先采用变分模态分解(VMD)技术,将历史光伏发电功率分解成:一系列有限带宽的子模态,避免了模态混叠和噪声冲击的影响;然后用最小二乘支持向量机分别预测光伏发电功率和误差,将误差补偿后的功率值作为最终的预测结果。此外,兼顾了天气因素和时间维度对预测值的影响,本文还采用样本熵(SE)原理将天气类型量化作为特征向量输入支持向量机共同参与预测。以陕西省某50MW光伏电站的实测数据为例,预测每日6:00-20:00间隔为15min的光伏发电功率,使用仿真软件MATLAB建立模型对光伏电站的输出功率进行预测仿真分析,同时分别建立EMD-相似日-LSSVM、VMD-相似日-LSSVM、VMD-SE-LSSVM模型同样对测试样本进行预测,经过仿真,与传统方法的预测结果比对,论证了该方法在不同天气类型中的优异性,在光伏发电功率预测中具有一定的理论与实用价值。