论文部分内容阅读
光伏发电是新兴的产业发电技术,备受青睐。但是由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响,使得光伏发电系统在输出的时候有较大的不稳定性,事实上光伏发电其实是一种非平稳的过程带有一定的随即性。正是这种性质,会造成光伏发电接入电网后对整个大电网产生冲击影响。何时做出何种电网调度,是减少冲击影响的关键。所以准确预测光伏发电量,成为许多国内外学者要研究的问题。课题就光伏电站发电功率短期的预测做了深入研究。首先,获取某光伏电站逆变器上的发电功率数据,进行数据分析,指出天气类型和温度对光伏发电功率有影响。并且,根据数据,对天气类型和温度做出相关性分析,得出各自的相关系数。天气类型与发电功率程正相关,且基本处于高度相关程度。由此使用把天气类型映射为天气类指数方法。温度与发电功率程负相关,且把最高温度、最低温度、平均温度相关系数做对比,最终确定最高温度与最低温度为温度的影响因素。建立了PLS、RF、SVM、退火优化SVM四种预测模型。四种模型对所有的样本进行了预测。PLS预测模型中,晴天、晴转多云、多云、多云转晴、雨五种天气类型预测平均准确率分别为94.2%、86.3%、81.6%、81.7%、73.6%。RF预测模型中,晴天、晴转多云、多云、多云转晴、雨五种天气类型预测平均准确率分别为93.5%、86.1%、82.3%、83.2%、75.3%。SVM预测模型中,晴天、晴转多云、多云、多云转晴、雨五种天气类型预测平均准确率分别为94.6%、87.9%、84.3%、85.7%、75.9%。退火优化SVM预测模型中,晴天、晴转多云、多云、多云转晴、雨五种天气类型预测平均准确率分别为94.8%、90.8%、86.7%、87.4%、79.1%。PLS模型属于多元回归模型,其模型结构相对简单,程序操作方便。RF模型、SVM模型、退火优化SVM模型具有机器学习能力,无论哪种天气类型,退火优化SVM模型相对比另外两种机器学习模型,都有较高的准确率,SVM模型次之。具有机器学习能力的预测模型,在晴转多云、多云、多云转晴等天气波动情况下,有一定的抗干扰能力,但需要一定的程序运行时间。在实际中,根据不同需求选择不同的预测模型。