论文部分内容阅读
太阳能是一种取之不尽用之不竭、零碳排放的新能源,光伏发电作为其主要利用方式之一得到了充足的发展。随着光伏发电装机容量的不断攀升,光伏发电的随机波动性及其大规模的并网接入使得电网调度需要配套使用储能设备或采用其他可调机组对其进行调峰才能实现对光伏发电的控制,否则只能弃光。因此如何在保证电网安全经济运行的条件下最大限度地消纳光伏发电功率显得尤为重要。准确的光伏发电功率预测技术是提高其消纳水平的有效途径之一。本文首先研究了微电网光伏发电的输出特性,分析了大气运动引起的辐照度和光伏出力随机变化,并从天气系统长、中、短三个不同的测量尺度深入分析了其对光伏出力的影响。本文根据地球天文运动引起的辐照度规律性变化、日类型下总体衰减趋势和局部云层扰动引起引起的随机变化,将光伏出力分解为标准晴天条件下的确定性周期变量、天气类型衰减因子和随机波动变量,并依次研究挖掘了各变量的数学特性。本文研究的微电网光伏发电功率预测系统由短期预测和超短期预测两大模块组成,两个预测模块均根据不同的天气类型分别建立预测子模型。本文首先提出了一种基于深度学习的微电网光伏发电短期预测方法。长短期记忆(Long Short-term Memory,LSTM)网络属于深度学习中的一种,通过记忆和学习以前时刻的信息状态能找到时间序列的相关性并深入挖掘时间序列的固有规律,因此本文选择LSTM网络作为短期预测模型,直接输出光伏出力预测值。仿真结果表明基于LSTM网络的预测模型能较好地学习到数据本身特征,其短期预测效果较好。接着,本文提出了一种改进天气分类的微电网光伏发电超短期预测方法,通过光电转换模型将辐照度预测值转换为光伏出力预测值,实现了光伏出力的间接预测。由于超短期预测要求的时间分辨率高且微电网光伏发电系统装机规模普遍较小,采用贵重的测量仪器和数值天气预报会大大增加应用成本,因此本文从历史记录数据的天气类型模式识别入手,设计了一种基于集成分类算法(Adaboost)的天气类型分类器,以低成本实现了典型天气类型的分类;同时引入了各典型天气类型对应的衰减系数以细化阴雨天情况下的衰减状态,建立了基于误差序列的多阶加权马尔科夫链超短期预测模型,最后通过工程实用的光电转换模型将辐照度预测值转换为光伏功率预测值。仿真结果表明本文提出的集成天气分类器能更好地识别原始光伏出力数据的特征,分类准确率更高;本文提出的改进天气分类后的超短期预测模型提高了非晴天情况下的预测精度。