分布式光伏发电计及气象因子及出力预测方法研究（Matlab代码实现）

wlz249

于 2023-02-03 15:47:13 发布

阅读量252

点赞数

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/weixin_66436111/article/details/128384358

版权

文章探讨了光伏出力预测的重要性，特别是直接预测和间接预测两种方法。直接预测包括多元线性回归、BP神经网络和支持向量机等模型，而间接预测则涉及对太阳辐照度的预测。各种预测技术如卡尔曼滤波和小波分析也在文中被提及。预测的准确性对解决大规模光伏发电接入电网带来的调度管理挑战至关重要。

摘要由CSDN通过智能技术生成

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 直接预测

1.2 间接预测

📚2 运行结果

🌈3 Matlab代码及数据

🎉4 参考文献

💥1 概述

随着气候变化、资源消耗和获取成本增加，可再生能源（太阳能、风能、地热能等）的开发和利用成为全球关注的焦点。光伏发电具有建设周期短、安全可靠、低污染、无噪声、地域限制少等优点，近年来发展十分迅速据国际能源署数据，2016年全球新增光伏装机容量约为75GW，同比增长47截至2016年底，全球太阳能光伏装机容量累计约303GW,较2015年增长32.9%。预计到2021年，全球光伏装机容量累计让近800GW，年复合增率约为6%，占全球电力消耗总量的7%以上,增速放缓并趋于稳定。2016年,光伏发电仅占全球总发电量的1据《BP世界能源统计年鉴(2017年)》，全球光伏发电总量为333.1TWh,年增长29.6%，其中中国光伏发电量占全球总量的19.9%，位居第一;美国位居第二，为17.1%

光伏出力具有明显的间歇波动特性大规模光伏发电接入给电网调度管理带来巨大挑战。光伏出力预测是解决此类问题的关键技术之一，而全气象参数是光伏出力预测的基础，因此光伏电站全气象参数传感网络的研制与出力预测方法的研究具有重要的学术与应用价值。

1.1 直接预测

光伏出力预测，从预测方式上可分为直接预测和间接预测。直接预测是根据光伏电站输出功率的历史数据直接进行预测，是基于实际运行数据对其出力特性进行拟合，可以真实的反映输入与输出之间的非线性映射关系，具有理论价值和应用价值。
直接预测的实现方式如图1-2所示。

直接预测的常用方法有多元线性回归法、BP神经网络、支持向量机（SVM)灰色理论算法等方法。
(1）多元线性回归法:一种现象的发生往往与多个因素存在关联关系，这就需要将多个相关因素作为自变量，来解释因变量的变化规律，此类模型就叫做多元线性回归模型。在光伏出力预测中，光伏发电系统的发电功率受到辐照度、环境温度、组件温度等因素的影响，因此可以将此类气象因素作为光伏发电系统多元线性回归模柔型的输入变量。该方法能降低建模难度，缩短建模时间。
(2）BP神经网络:BP神经网络是一种按照误差逆向传播算法训练的多层前馈网络，是目前应用最广的神经网络。它的基本思想是梯度下降法，利用梯度搜索技才以达到网络的实际输出值和期望输出值的均方误差最小。BP神经网络模型包含了输层、输出层和隐含层三个部分，隐含层在输入层和输出层之间，其状态的改变会影输入输出之间的关系。通过将BP神经网络与其他算法相结合，可以拓展出更多的预测方法，例如基于遗传算法神经网络预测模型、BP神经网络—马尔科夫链预测模型、小波神经网络预测模型、基于粒子群的BP神经网络预测模型等。
(3）支持向量机（SVM):支持向量机是一种基于统计学习理论的模式识别方法，在解决小样本、非线性及高维模式识别中表现出许多特有的优势。其主要思想是通过构造一个高维空间，将一个样本空间映射到这个高维空间中，在原有样本空间中线性不可分的数据在高维空间中实现线性可分。

(4）灰色理论算法:灰色系统理论把一切随机过程看作是在一定范围内变化的、与时间有关的灰色过程.灰色系统是既含已知信息又含未知信息或非确知信息的系统，通过大样本进行研究，将灰色系统中杂乱无章的原始数据整理成具有较强规律性后再作研究。光伏发电量的影响因素有很多种，作用机理也复杂多样，光伏发电量与影响因素之间没有固定的函数关系，而历史数据又难以满足大样本统计的需求，因此灰色系统理论在光伏发电系统进行发电量预测等方面有较好的应用价值。

1.2 间接预测

间接预测一般是先对太阳辐照度进行预测，然后通过公式计算得到光伏电站的输出功率。辐照度是光伏发电重要的气象影响因子，其预测精度对光伏出力预测有着重要的影响。间接预测的实现方式如图1-3所示。

间接预测的常用方法有卡尔曼滤波、随机时间序列、小波分析、天空图像法、持
续预测法等方法。

卡尔曼滤波:卡尔曼滤波法是一种利用线性系统状态方程对系统状态进行最优估计的算法。将辐照度作为输出变量建立状态空间模型，然后用卡尔曼滤波法实现辐照度的预测。这种算法需要观测噪声的统计特性，对噪声统计特性的估计是该方法的难点所在。
随机时间序列:随机时间序列法利用大量的历史数据来建模，经过模式识别、参数估计、模型检验来确定一个能够描述辐照度序列的数学模型，进而建立预测模型进行辐照度预测。随机时间序列适用于线性系统，对于具有强非线性特征的辐照度预测模型而言预测精度不够理想。
波分析法:小波分析法是利用小波的细节刻画能力来改善预测模型的性能。小波分将小波分析法与神经网络等方法相结合用于预测建模。

天空图像法:天空图像辐照度预测方法是通过移动矢量场来检测云的运动和形状变化，利用相邻两个图像来描述这种变化，从而进行辐照度预测。天空图像辐照度预测方法能够在极短时间内实现较为精确的预测，但需要配置专用的设备(天空成像进行连续不断的天空图像拍效，成本较高。
持续预测法:持续预测法是最简单的预测方法，通常只是把相邻时刻的辐照,度测量值或者相邻若干个历史时刻的辐照度平均值作为下一个时刻的预测值。该方法仅适用于超短时间的预测，预测结果不稳定且预测精度较差。