论文部分内容阅读
太阳能作为一种清洁能源能有效缓解能源紧缺和环境污染,光伏发电是太阳能利用的主要形式。但由于光伏出力具有不稳定性,导致弃光问题严重,利用火电调峰实现光火联合调度能有效解决该问题。而传统的光火联合调度是以单值预测为基础,未能考虑光伏出力特性以及火电经济性,使其在解决弃光问题上大打折扣。因此,在联合调度系统中,提高光伏出力预测精度,充分考虑光伏出力特性,能有效解决弃光问题。本文首先对光伏出力预测相关技术进行了研究,在支持向量机(Support Vector Machine,SVM)、自回归滑动平均(Auto-Regressive and Moving Average,ARMA)模型和BP神经网络(Back Propagation NeuralNetwork,BPNN)基础上,分别建立了三种预测模型。针对单模型预测精度和稳定性较低的不足,提出基于诱导有序加权平均(Induced Ordered Weighted Averaging,IOWA)算子的组合预测方法,并利用云南某光伏电站实测数据对模型进行训练和验证,结果表明,组合预测能有效提高光伏出力的整体预测精度和稳定性。其次,针对传统调度中,光伏实际出力与预测出力偏差过大的问题,结合四种预测方法,提出预测区间的概念,利用历史实测数据,对所选预测区间进行验证,结果证明所取预测区间具有较高可信度。最后,结合光伏出力预测区间,在全部消纳光伏出力的前提下,建立了以火电煤耗成本最小为目标的光火联合调度模型,利用遗传算法(Genetic Algorithm,GA)进行求解。在光伏出力预测区间上,随机选取100条光伏出力曲线,代入调度模型,便能得到可调度的各火电机组出力区间和调峰电厂煤耗成本区间,为工作人员提供决策依据。