论文部分内容阅读
随着光伏发电的稳步发展和大力推广，光伏发电出力在电力系统中占有越来越高的比重，但由于其具有较高的波动性和不稳定性，大规模光伏发电系统并网运行会严重影响电力系统的安全、稳定、经济运行，光伏系统日功率的分析和预测日益成为一个重要的研究课题。对光伏发电系统输出功率进行短期准确预测可有效地减轻光伏发电系统接入对电网的不利影响，保证电网的安全稳定运行。 本文首先对课题的的研究背景及国内外研究现状做了简要介绍，继而简单说明了光伏发电的基础性理论知识。在有了一定光伏理论作为基础之后，本文从基于太阳辐射和光伏发电系统模型的短期预测技术和基于历史数据的短期预测技术两个方面对光伏发电输出功率的短期预测技术做了概括性介绍。在此基础上，以BP神经网络为代表，简要介绍了基于传统神经网络的光伏发电输出功率短期预测方法，且针对传统神经网络大都具有易陷入局部极小点等缺陷，而应用较广且较为典型的ART2神经网络又具有同相位不可分、模式漂移及不具有稳定性一可塑性自适应切换等缺陷，本文特提出一种将ART2wNF神经网络和K-means算法相结合的双层复合型网络方法，该方法主要以ART2wNF神经网络层的聚类结果作为K-means算法层的初始聚类中心，以弥补传统神经网络及ART2wNF神经网络和K-means算法各自的缺陷。最后，本文分别基于BP神经网络和本文提出的双层复合型网络对美国俄勒冈州Ashland光伏电站2002年4月16日和2002年6月15日的光伏输出功率进行了预测，并将预测结果与Ashland光伏电站的实测数据进行对比，计算出其绝对误差百分比值，同时，完成了该复合型网络的预测结果和以BP神经网络为代表的传统神经网络的预测结果间的对比分析。 两种预测结果的对比分析说明了ART2wNF神经网络和K-means算法相结合的双层复合型网络对光伏输出功率预测的平均绝对百分比误差相对以BP神经网络为代表的传统神经网络有了大幅下降，验证了该复合型网络在精确性上的提高。