论文部分内容阅读
随着我国现代化进程的加快,化石能源的大量开采使用导致能源资源紧张,并且排放了大量的污染物,给环境保护带来很大的压力。因而绿色能源的开发引起各国政府的重视,比如风能、水能、太阳能等能够循环利用的能源。其中,太阳能以它的清洁无污染、可持续开发、开采成本较低的特性,成为一种主要的可替代能源,它通过光伏系统把辐射量转换成电能输出。但因为气象状况会影响到光伏功率输出,使得输出功率存在一定幅度的波动,对电网的平稳安全运行产生不利影响。因此,精准的预测光伏输出功率,有利于电网做出合理的调度计划和稳定运行。随着大数据的发展,智能算法、机器学习、神经网络等方法的深入研究,为光伏功率输出预测研究奠定了基础,通过这些方法可以有效的提升光伏功率输出预测的精度。基于国内外学者在光伏功率输出预测方面的研究,本文提出了一种改进的智能算法结合机器学习对光伏发电进行预测的方法,通过实验分析对比不同预测方法的误差大小,证明了所提方法能够有效提高光伏功率输出预测的精确度,本文的主要研究内容如下:(1)根据已获得的斜面日辐射量、温度、湿度、风速数据,分析光伏功率输出的主要气象影响因素,选定斜面日辐射量、温度、湿度作为光伏功率输出预测的气象因素指标。(2)选定晴天、多云、雨天三种不同天气状况下的预测日,根据所选定的气象因素指标,分别通过灰色关联分析(Grey correlation analysis,GRA)和欧式距离选取相似日。为了检验两种相似日选取方法的精确性,将选取的两组不同相似日的光伏发电功率的均值作为预测日的功率预测值,结果显示基于GRA直接进行功率预测的预测误差较基于欧式距离的小,从而得到基于GRA选取的相似日数据更优。(3)改进人工蜂群(Artificial bee colony,ABC)算法,通过改进算法优化支持向量机(Support vector machine,SVM)的核函数与惩罚参数,建立改进ABC算法优化SVM的预测模型。然后,利用选取的相似日数据和改进ABC优化SVM的预测模型进行光伏发电功率的预测。最后,通过实验分析对比不同方法的预测误差,证明基于GRA和改进的ABC优化SVM的预测方法进行光伏发电功率预测的有效性和精确性。