论文部分内容阅读
太阳能发电易受光照、温度等众多因素的影响,导致光伏发电输出功率(光伏出力)具有很大的不确定性,给大规模并网带来一定困难。众所周知,光伏出力的预测精度在一定程度上关系到整个电力系统的稳定性和安全性。论文基于信息熵理论将AR模型、GM(1,1)模型和改进神经网络(CSO-BP)三种单一预测模型进行综合,构建组合预测模型。为了确定各种天气因素对光伏输出的影响,论文分别分析光照强度、温度、风速三种要素与光伏输出功率之间的相关性。并进一步构建日特征向量,用于筛选训练样本:在启动预测之前,采用自组织神经网络对历史样本数据进行模糊聚类,并挑选相似度最高的N个样本构成预测模型的训练样本。分别用三种单一预测模型进行测试,并分别分析它们的预测误差情况。由于三种单一预测模型各有优缺点,在不同场景中优劣各异。基于此,论文将它们进行加权综合,构建组合预测模型。依据各个模型的误差变异性,利用信息熵理论,确定各单一模型在组合模型中的权系数。BP神经网络预测模型与时间序列模型、灰色模型不一样,它本身并没有自带数据平稳化处理功能,而光伏输出功率又具有较大的波动性和随机性。因此,在采用神经网络进行预测过程中,需要对输入数据进行预处理:先采用变分模态分解方法将光伏功率分解成若干个子序列,并分别对它们进行复杂度评估,再从中选出复杂度较高的几个子序列重组为一个新的序列,称之为随机序列L。由于该序列的波动较大,因此论文利用模糊信息粒化方法对该随机序列L进一步平稳化处理。接下来再分别对这些波动性较小的分解子序列进行单独预测,并将预测值重构得到神经网络的最终预测结果;考虑到传统BP人工神经网络在权阀值处理上存在固有缺陷,论文运用纵横交叉算法(CSO)优化BP网络权阀值,构建改进神经网络预测模型。最后通过实验仿真,显示组合模型在各种天气状况下都具有较好的预测精度。