首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 非均匀风光互补并网发电功率短期预测方法

非均匀风光互补并网发电功率短期预测方法

2024-06-06 23 上传者：管理员

摘要：风速和太阳辐射等自然资源的波动性使得风力发电和光伏发电具有很高的随机性和不确定性。天气变化、季节性因素、云遮蔽等都会对发电功率造成影响，导致预测任务更加复杂。为此，本研究提出新的非均匀风光互补并网发电功率短期预测方法。设计数据采集步骤，实现风光互补并网发电功率数据的采集。以此为依据，利用3δ统计法对损坏功率数据完成提取和剔除。基于此，构建功率预测模型，并利用粒子群算法得到最优的发电功率预测结果。实验结果表明，在研究方法应用下，数据均匀地分布在实际数据波动曲线两侧，偏离误差非常小，证明研究方法不存在过拟合问题。与文献方法相比，研究方法在更少的数据下L值就达到了0，说明研究方法不仅具有更小的预测误差，且收敛速度也更快。

关键词：
功率短期预测
并网发电
电力系统
能源需求
非均匀
风光互补
加入收藏

随着能源需求的不断增长和环境问题的日益突出，风力发电和光伏发电已经成为现阶段的两种主要新能源形式，具有广泛的分布和潜在的能量差异性[1]。然而，由于风力和太阳辐射的不稳定性、间歇性以及地理位置的差异，这些非均匀风光互补并网发电系统的发电功率存在显著的波动性和时空分布差异。这对电力系统的稳定性和可靠性提出了新的挑战。

传统的电力系统规划和运行管理通常以稳定可预测的传统发电方式为基础，但随着非均匀风光互补并网发电系统的大规模接入，必须开发先进的技术来准确预测其发电功率。短期的发电功率预测可以提前预知风光资源的波动情况，帮助实时调度电力系统，优化电力调配和储能策略，并提高清洁能源的利用效率和经济性[2]。

因此，研究非均匀风光互补并网发电功率的短期预测在电力系统的可靠性、可持续性和经济性方面具有重要的应用价值和科学意义。此领域的研究不仅需要结合复杂的气象和环境影响因素，还需要开发适用的预测算法、数据处理技术和建模方法。通过深入研究非均匀风光互补并网发电功率的短期预测，可以推动清洁能源的开发和利用，促进能源转型和碳减排，实现可持续发展目标。文献[3]提出基于LSTM网络的光伏发电功率短期预测方法。但是，LSTM网络的缺陷之一是对长期依赖关系的建模能力相对较弱。尽管LSTM能够在理论上捕捉到长期时间序列中的依赖性，但在实践中，它仍然面临着难以有效地捕捉到更长期依赖的挑战。这可能会导致在处理具有较长时间范围的功率预测任务时，LSTM无法捕捉到重要的长期依赖关系，从而影响预测结果。文献[4]提出基于特征交叉机制和误差补偿的风力发电功率短期预测方法。但是，特征交叉机制增加了计算和存储的复杂性。虽然该方法在训练集上表现良好，但在新数据的泛化能力上不够理想，易出现过拟合问题。

为此，本研究提出一种新的非均匀风光互补并网发电功率短期预测方法。

1、非均匀风光互补并网发电功率短期预测

1.1 数据采集

功率数据的采集可以提供关于系统运行状态的实时信息。通过对功率数据的监测和分析，也可以观察到风力发电机组或光伏发电系统的性能和健康状况，采集非均匀风光互补并网发电功率数据步骤如下：

1）确定数据需求和采集频率：首先确定研究目标和数据需求，包括对风力发电和光伏发电系统功率输出的关注点。确定采集数据的频率。

2）部署监测设备：根据研究的范围和目的，在各个非均匀风光互补并网发电装置中部署监测设备。对于风力发电系统，使用风速计和风向仪监测风速和风向；对于光伏发电系统，使用光照度计和温度计来监测光照强度和温度。

3）安装数据采集系统：安装适当的数据采集系统或数据记录器，以实时记录并存储所需的发电功率数据。这些系统与监测设备进行连接，采集并记录各个时间点的相关数据。确保数据采集系统具有合适的存储容量和稳定的数据传输能力。

4）数据存储和管理：将处理后的数据存储在合适的数据库中，并确保良好的数据管理和备份策略，以防止数据丢失或损坏。建立合适的数据管理系统，方便数据的检索、共享和后续分析。

5）维护和更新：确保监测设备的正常运行，并进行定期维护和检修。定期评估数据质量，进行必要的校准和修复。随着技术的进步和需求的变化，及时更新和升级监测设备和数据采集系统。

1.2 损坏数据提取

提取非均匀风光互补并网发电功率损坏数据的意义在于识别和分析系统运行中出现的功率损坏情况，这对于发电系统的稳定性、可靠性和运维管理具有重要意义。首先，通过提取功率损坏数据，可以及早发现发电设备的故障和异常情况，从而采取相应的维修措施，减少系统停机时间和维护成本。其次，对功率损坏数据进行深入分析可以揭示系统运行过程中的潜在问题，为系统性能优化和故障排除提供指导[5]。例如，分析功率损坏数据可揭示特定天气条件或操作工艺下的问题，因此可以调整运营策略以改善系统可靠性和发电效率。此外，提取功率损坏数据还有助于评估和改进预测模型的准确性，通过与实际观测数据进行对比，验证和校准预测算法，提高短期功率预测的精度。总之，提取非均匀风光互补并网发电功率损坏数据是为了确保系统的正常运行和发电效率，提高系统可靠性，降低维护成本，以及实现对系统运行及预测模型的精准监测和矫正。损坏数据检测使用的处理方法为3σ统计法。在检测中，选取N天的历史光伏数据，用x数据集表示全天候的序列数据，对数据完成归一化处理：

计算标准差：

计算第N天第n个时刻对应的负荷损坏概率p，具体如下所示：

当负荷偏离值大于1，表示该点为损坏值点。

1.3 基于支持向量回归算法的非均匀风光互补并网发电功率预测

设定风速预测值F′，光强预测值G′，设定P表示风电和光电场的功率，则P与F′和G′的关系如下：

式中，Po为风电场发电机的额定功率；V1和V2为切入与切出风速；U1和U2为接收与输出的光照强度。

基于此，使用粒子群算法（Particle Swarm Optimization,PSO）预测非均匀风光互补并网发电功率。非均匀风光互补并网发电功率的预测问题通常涉及多个参数的优化。传统的优化算法可能会在高维度和复杂目标空间中效果不佳，而PSO算法能够有效地解决这些问题。由于粒子群算法是一种全局优化算法，它能够搜索整个参数空间，并找到全局最优解，从而提供更准确的预测结果。步骤如下：

1）初始化粒子群并设置粒子群数量为K，同时令wm a x和wm i n分别表示最大权重因子和最小权重因子。

2）令Q表示单独粒子极限值，以该极限值作为参照，利用适值函数计算所有粒子的适应度后，选取适应度数值最佳的粒子个体极限值作为全局极值。

3）多次更新粒子位置和速度，并判断每个粒子的适应度数值。

4）将所有粒子的适应度数值和单独粒子极限值做比较，当粒子的适应度数值优于单独粒子极限值时，则保留该值，并更新Q数值，反之丢弃该值。

5）将更新后的粒子Q值与全局极限值Q′做比较。如果当Q值优于Q′时，可保留该值。否则需要返回步骤3）进行再一次的更新。

经过步骤1）至步骤5）反复迭代后，粒子群输出最优预测结果的数据样本输入到功率预测方法内，经过方法迭代输出非均匀风光互补并网发电功率预测值。

2、实验分析

为了证明研究方法的可行性，设计以下测试步骤。本次实验测试数据来源于NREL光伏电站数据集，该数据集为美国国家可再生能源实验室提供的多个光伏电站的数据集，包括太阳辐射、温度、风速和功率输出等相关数据。这些数据集可以在NREL的网站上获取，以此为依据完成以下测试。

2.1 过拟合测试

在验证非均匀风光互补并网发电功率短期预测方法的有效性时，验证方法的过拟合性是至关重要的一项指标。在预测方法中，如果模型过于复杂或参数设置不当，可能会导致过拟合问题。验证方法的过拟合性就是用来评估模型是否存在过拟合情况。具体来说，本次验证过拟合性通过以下步骤进行评估：

1）将数据集划分为训练集和验证集。

2）使用训练集对模型进行训练，并使用验证集评估模型的预测性能。

3）如果模型在训练集上表现很好，但在验证集上表现较差，可能存在过拟合的情况。

4）过拟合的指标可以通过比较训练集误差和验证集误差来评估。如果训练集误差明显小于验证集误差，可能是过拟合的表现。

从数据集中随机抽取2000组风光互补并网发电功率数据，结果如图1所示。

图1 研究方法的过拟合性验证

分析图1可知，在研究方法应用下，数据均匀地分布在实际数据波动曲线两侧，偏离误差非常小，证明研究方法不存在过拟合问题。

2.2 功率预测准确性验证

在本节实验中设置L值代表模型预测值与真实值之间的差异程度。用L值反映功率预测的精度，通过Matplotlib软件输出L值变化趋势图，如图2所示。

图2 L值变化趋势图

分析图2可知，与文献方法相比，研究方法在更少的数据下L值就达到了0，说明研究方法不仅具有更小的预测误差，且收敛速度也更快。

2.3 光伏发电功率预测

为了更加直观得到研究方法的应用结果，以时间为筛选标准，筛选来源数据集中任意一天的时刻从早上07:00到中午12:00的风光互补并网发电功率数据，利用文献[3]方法、文献[4]方法和研究方法对这些数据完成预测，通过预测数据与实际数据的对比可直观得知方法的应用效果，如下表所示。

表光伏发电功率预测结果

分析上表可知，研究方法预测出的功率数据更准确。

3、结束语

本研究提出了一种新的非均匀风光互补并网发电功率短期预测方法。通过设计合理的数据采集步骤，成功实现了风光互补并网发电功率数据的采集。在此基础上，利用3δ统计法对损坏功率数据进行提取和剔除，有效地优化了数据质量。接着，构建了功率预测模型，并应用粒子群算法得到了最优的发电功率预测结果。该研究方法的应用前景十分广阔。首先，该方法对于非均匀风光互补并网发电系统的运行和调度具有重要意义。通过准确预测发电功率，可以提前制定相应的能量补偿策略，以确保系统的稳定并最大限度地利用可再生能源。其次，该方法为电力市场交易和电力调度等领域提供了有力支持。准确的功率预测结果可以帮助电力行业做出更合理的决策，优化电力资源的配置与调度，从而提高整个能源系统的效率和经济性。

参考文献:

[1]陈泽西,孙玉树,张妍,等.考虑风光互补的储能优化配置研究[J].电工技术学报,2021,36(S1):145-153.

[2]樊刚强,杨勇.分布式风光互补并网自动发电系统设计[J].现代电子技术,2021,44(8):119-122.

[3]宋绍剑,李博涵.基于LSTM网络的光伏发电功率短期预测方法的研究[J].可再生能源,2021,39(5):594-602.

[4]刘雨佳,樊艳芳,白雪岩,等.基于特征交叉机制和误差补偿的风力发电功率短期预测[J].电工技术学报,2023,38(12):3277-3288.

[5]卢俊杰,蔡涛,郎建勋,等.基于集群划分的光伏电站集群发电功率短期预测方法[J].高电压技术,2022,48(5):1943-1951.

文章来源:马东,张哲,徐思达.非均匀风光互补并网发电功率短期预测方法[J].电器工业,2024(06):50-53+82.