并網型光伏電站發(fā)電功率預測方法與系統(tǒng).pdf

1、光伏發(fā)電功率出力具有明顯的間歇波動特性，大規(guī)模光伏發(fā)電接入給電網調度管理帶來巨大挑戰(zhàn)。如何在滿足安全穩(wěn)定約束的前提下，最大限度地消納這些可再生能源，成為新能源電力系統(tǒng)的研究熱點。光伏發(fā)電功率預測是解決此問題的關鍵技術之一，開展光伏電站發(fā)電功率預測方法與系統(tǒng)研究具有重要的學術與應用價值。
　　光伏發(fā)電功率預測模型需要擬合的映射關系在不同的天氣狀態(tài)下存在明顯差異，采用單一模型實現(xiàn)多種不同天氣狀態(tài)下發(fā)電功率的準確預測非常困難。此外，光伏

2、電站不同天氣狀態(tài)對應歷史數據的分布并不均衡，由不均衡數據訓練得到的單一預測模型對多變天氣狀態(tài)的適應性無法保證，預測精度難以滿足要求。為此，本文在研究不同天氣狀態(tài)下地表與地外輻照度關系變化規(guī)律基礎上，從輻照度數據中提取了反映天氣狀態(tài)的特征參數，利用支持向量機建立了天氣狀態(tài)模式識別模型，實現(xiàn)了缺失天氣類型信息歷史數據的辨識恢復，確保了歷史數據的完整性和可用性，對比了功率預測不同的實現(xiàn)方式，提出了光伏發(fā)電功率分類分步預測方法，并給出了實現(xiàn)的總

3、體框圖和具體的技術路線圖。
　　作為光伏發(fā)電功率預測的前提基礎，輻照度預測對于功率預測至關重要。目前采用神經網絡進行輻照度預測取得了較好效果，但現(xiàn)有預測模型存在輸入空間維數較高、模型結構復雜等不足，且其輸出的預測值也未經修正。為此，本文從充分利用已有數據、盡量減小信息冗余、控制輸入變量維數三個方面對輻照度神經網絡預測模型進行了改進;并根據不同天氣狀態(tài)的特點，按照設定的可變尺度參數，從時間周期性和臨近相似性兩個維度，利用歷史運行數據

4、和類型內相似性度量參數生成修正參考值和權重系數，提出了基于時間周期性和臨近相似性的輻照度預測值修正方法。仿真結果表明上述改進措施和修正方法對輻照度預測精度的提高具有明顯作用。
　　作為光伏發(fā)電功率預測的關鍵環(huán)節(jié)，光伏電站發(fā)電功率出力特性模型對于預測精度有著重要影響。現(xiàn)有發(fā)電功率出力特性模型存在實施步驟繁雜、參數優(yōu)化困難、適應能力不強等問題。為此，本文利用通徑分析對比了各氣象影響因子對發(fā)電功率的直接影響及通過其它因子的間接影響，利用