论文部分内容阅读
作为太阳能开发利用的重要方式,光伏发电因其无燃料消耗、无污染物排放、应用形式灵活、容量规模不受限制、安全可靠、维护简单等优点得到了迅速发展。然而光伏发电功率具有明显的间歇性与随机波动特性,电网中光伏发电的渗透率不断增加给电力系统的发电、输电、用电实时动态平衡带来了巨大挑战,严重制约了光伏发电功率的安全可靠消纳。光伏发电功率预测是目前解决此问题的一种兼具经济性与有效性的方案。由于光伏发电功率自身出力特性在不同时间尺度上具有不同的周期性波动性表现,而电网系统的调度计划安排也涉及多个时间段范围,需要不同时间尺度的光伏发电功率预测提供数据支撑。因此为促进光伏发电功率消纳,保障高光伏功率渗透率下电网的安全稳定运行,需要开展光伏发电功率多时间尺度预测方法研究。光伏发电功率短期预测需要提供光伏电站未来1~3天的日功率出力数据,而预测日的天气状态会显著影响当天的光伏功率出力特性。因此需要建立面向光伏功率预测应用的天气状态模式识别模型,针对预测日的不同天气状态分别建立由历史数据映射到光伏功率数据的预测模型。本文首先研究了在实际应用中模型训练样本数据状态与所使用分类器特性对天气状态模式识别模型性能的影响,给出根据光伏电站实际可用历史数据情况选择分类器类型及其参数的指导。然后在天气类型分类识别模型研究基础上,提出了基于日前天气状态预判的光伏发电功率短期预测模型,根据多种辐照度预测结果与投票机制识别预测日天气状态,随后建立长短记忆递归神经网络模型预测光伏电站发电功率,并根据天气状态预判结果进行时间关联模型修正。光伏发电功率超短期预测需要提供未来4小时以内的光伏发电功率数据,并且其对预测精度,尤其是非晴朗天气状态下功率快速波动的追踪预测能力要求更高。面对更为精细化的预测需求,本文选择了组合预测的技术路线,使用不同算法模型针对光伏功率进行多重并行预测,然后建立数据融合模型将各时间断面上的多重并行预测结果映射为最终唯一的光伏功率超短期预测值。考虑到光伏发电功率出力的快速随机波动特性,多重并行预测中各算法模型的性能会随时间因光伏出力波动特性的改变而发生浮动,导致单一数据融合模型无法满足不同情况下的预测需求。为此本文构建了由多重并行预测模型、融合模式识别模型与数据融合模型组成的光伏发电功率超短期组合预测模型,并通过融合模式识别模型与数据融合模型的联合优化实现了针对多重并行预测结果的自适应时间断面融合技术,进一步提高了光伏发电功率超短期预测的准确率。多云天气下的地表辐照度受云团生消与运动的影响,呈现出分钟级的随机快速剧烈波动,由此导致的光伏功率分钟级波动会给电网的安全稳定运行带来冲击。然而传统的基于光伏电站历史气象功率数据驱动的机器学习、时间序列等预测模型难以实现这种分钟级、高时间分辨率的光伏发电功率预测。因此提出了基于地基天空图像的光伏发电功率分钟级预测方法,首先利用地基观测设备获取天空图像实现对天空中云团的直接观测,其次分别基于最大类间方差原理与k均值聚类算法进行天空图中云团像素的辨识,然后提出了基于相位相关理论的天空图像云团位移矢量计算方法,并根据相邻天空图像间的相移不变特性对该算法进行改进以提高其计算精度与鲁棒性,最后建立了基于天空图像的地表辐照度映射模型。