论文部分内容阅读
随着全球一次能源的大量开采,环境污染与能源枯竭问题日益突出,各国家开始调整能源消费结构,逐渐将发展重点转向清洁能源。太阳能资源充裕,使用便捷,但其发电量受光照强度与气象环境的影响,具有较强的波动性和随机性,准确预测光伏发电量尤为重要。近年来我国工业企业规模扩大,环境污染严重,频繁出现的雾霾天气导致射入地表辐照量和光伏板摄温性下降,严重影响功率预测的准确性。因此,本文提出了一种针对雾霾天气类型下光伏发电功率短期预测方法。首先,针对传统BP神经网络易陷入局部最优解缺陷的问题,选用了有时序记忆功能的RNN和LSTM神经网络分别作为预测模型。通过分析空气质量参数对光伏发电功率的影响,确定了PM2.5、PM10和AQI作为主要指标;结合温度与辐射强度构成发电功率影响因子进行训练。该模型可有效预测处在严重污染地域和时节的光伏电站发电功率,有利于该类地区电网建设规划和调度安排计划。其次,由于传统相似日的选取存在考虑因素不足或关联性不强的问题,提出了基于综合相似日下的LSTM光伏发电功率预测模型。在选取气象相似日时既计及天气类型与平均温度,又考虑平均PM与平均AQI参数,结合灰色关联度分析法确定气象相似日;采用缺失值插补法补全发电功率数据,利用皮尔逊相关系数求取发电功率相似日,将二者构成综合相似日筛选出预测样本数据,提高了预测精度和训练速度。再者,为了解决历史数据中存在不良数据与数据缺失等问题,提出了基于相似电站与综合相似日下的LSTM光伏发电功率预测模型。选取相似电站作为异常数据的修复方法,引入光伏电池板电位诱发衰减率、各电站总装机容量与月总发电功率进行模糊聚类选取相似电站;为了减小聚类算法的随机噪声和迭代计算,本文对传统FCM聚类引入加权平均距离形成FCM-σ聚类算法,降低了聚类误差。最后,以我国西北某地区光伏电站群实际历史发电功率数据为例,选取不同气象类型作为预测日,逐一建立RNN、LSTM、相似日-LSTM、相似日与相似电站-LSTM模型对预测结果进行比对,结论表明基于相似日与相似电站-LSTM的光伏发电功率预测模型具有运算速度快,拟合度高的特点和较强的实用性。