并網光伏電站發(fā)電功率預測方法研究.pdf

1、傳統化石能源正逐漸走向枯竭，核能發(fā)電也存在鈾廢料不易處理、投資成本大、難以應對突發(fā)自然災難等缺點。光伏發(fā)電具有污染小、能源利用率高及規(guī)模靈活等優(yōu)點得到大量的應用。光伏電站發(fā)電效率受到天氣因素影響極大，由于天氣的不確定性，光伏電站的輸出功率存在波動性大，間歇性強等缺點,大規(guī)模光伏發(fā)電接入電網給電網調度管理帶來巨大挑戰(zhàn)。對光伏電站的發(fā)電量進行短期預測可為電網調度提供數據支撐，降低光伏發(fā)電的隨機性對電網的沖擊，同時也可提高光伏的發(fā)電容量利用率

2、，提高經濟效益。
　　本文在深入分析現有并網光伏電站發(fā)電功率預測方法的優(yōu)勢與不足之后，針對有歷史數據和無歷史數據兩種情況分別提出了基于相似時段和 Elman神經網絡的并網光伏電站超短期預測模型和基于地外輻照度計算和天氣狀態(tài)識別模型的光伏電站超短期預測模型。
　　并網光伏電站輸出功率的不穩(wěn)定主要源于天氣狀態(tài)的變化。按照中國國家氣象局制訂的天氣類型國家標準，天氣狀態(tài)共有33種不同的類型。影響光伏電站出力特性的主要因素是云量，云量

3、越高光伏電站的出力情況越差。本文根據云量多少將33種天氣類型劃分為3種廣義天氣類型。建立天氣狀態(tài)識別模型后可以將歷史數據按照天氣類型做分類處理，并可根據短期天氣預報快速識別預測日特定時段的天氣類型。
　　天氣狀況、日期類型都比較相似的兩日被稱為相似日。使用相似日進行預測最大的問題在于當預測日的天氣類型發(fā)生變化時，相似日模型無法識別天氣類型的變化。針對相似日模型的缺點，本文提出了相似時段模型，將預測日和歷史日的數據均分為多段，建立相

4、似時段數據庫，結合短期天氣預報，對預測日的時間段動態(tài)匹配出最佳的相似時段。相似時段模型可動態(tài)匹配預測日每一個時間段的相似時段，可以動態(tài)識別天氣類型的變化使得預測模型可以匹配到更好的歷史數據。
　　本文提出了基于相似時段和 Elman神經網絡的光伏電站輸出功率超短期預測方法。根據實時天氣預報，動態(tài)預測一天中不同時間段的氣象情況，根據不同時間段的氣象預測情況匹配數據庫中的歷史數據。利用 K折交叉驗證對 Elman神經網絡模型進行結構優(yōu)

5、化與參數整定，得到誤差最小模型。使用開放數據庫提供的數據進行仿真驗證并與傳統相似日模型進行對比，結果表明該方法在一般天氣條件下提高了預測精準性，在復雜天氣條件下可實時根據天氣狀態(tài)變化調整預測策略并大幅提高了預測精度。
　　對于新建光伏電站以及缺乏歷史數據記錄的光伏電站，無法獲取歷史數據是一大難題，在沒有光伏電站歷史數據的情況下，本文提出了一種基于地外輻照度計算和天氣狀態(tài)識別模型的光伏電站超短期預測模型。根據天體運行規(guī)律及相關參數，