论文部分内容阅读
近年来,随着化石能源的枯竭和环境污染问题日趋严重,新能源产业得到长足发展。新能源产业中,光伏和风电作为优质的可再生能源获得了广泛的关注。随着光伏、风电技术的发展,其控制过程中的一系列难题也暴露出来。对于光伏系统,其输出功率具有不确定性和不连贯性,不可预知的功率在并网过程中会造成不利影响；对于风电系统,控制过程中的重要变量风速无法通过风速仪准确获取,阵风到来时也无法提前预知,影响风电机组的控制与监测策略,造成风机载荷过大、风机使用寿命缩短等问题。为解决上述问题,本文基于改进仿生算法对支持向量机(Support Vector Machine, SVM)进行优化,并在此基础上,设计光伏出力、风速预测方法,以及阵风判断方法。主要研究内容包括以下三方面：(1)研究基于网格蚁群算法(Grid-aided Ant Colony Optimization,GACO)的支持向量机算法(GACO-SVM)。在智能生物仿真算法蚁群算法的基础上,引入了网格搜索算法对蚁群算法的局部搜索过程进行优化,从而融合网格法和蚁群法的优点,进而将GACO应用于支持向量机参数选择中。(2)研究基于GACO-SVM的光伏系统功率产出预测方法。对典型的光伏模块MSX60进行分析和建模,结合澳大利亚光伏研究机构提供的真实光照、温度数据,计算光伏系统功率产出的理论值,作为支持向量机的训练样本。仿真实验表明,训练得到的模型可对未来光伏功率产出进行高精度的预测。(3)研究基于GACO-SVM的风电机组风速预测和阵风判断方法。面向大型海上风电机组模型,使用Bladed专业软件模拟产生IEC标准工况下的运行状态数据,并通过相关性分析避免冗余计算,提高运算效率和精度。进而,对此数据使用GACO-SVM进行回归和分类计算,实现了高效高精度的风速预测和阵风判断,为风电机组的控制与监测策略设计奠定了基础。