發(fā)布時間：2020-05-09 11:23

【摘要】：目前全球光伏發(fā)電產(chǎn)業(yè)快速發(fā)展,每年的光伏新增裝機量和累計裝機量快速增加,電網(wǎng)中的光伏發(fā)電占有率不斷提高。由于太陽能具有典型的波動性和間歇性等特點,導致光伏發(fā)電系統(tǒng)的輸出功率不穩(wěn)定,對光伏發(fā)電并網(wǎng)以及電網(wǎng)的安全、穩(wěn)定運行帶來很大的沖擊,嚴重阻礙了大規(guī)模光伏發(fā)電并網(wǎng)。光伏發(fā)電系統(tǒng)的輸出功率的準確預測有利于電力系統(tǒng)部門提前進行調(diào)度和規(guī)劃,從而將盡可能多的光伏發(fā)電并網(wǎng)。太陽輻照度是影響光伏發(fā)電系統(tǒng)的輸出功率最直接、最顯著的因素,因此太陽輻照度的準確預測將會提高光伏發(fā)電系統(tǒng)的輸出功率的預測精度,具有重要的應用價值。太陽輻照度受到氣候、氣象等因素的影響,具有隨機性和不穩(wěn)定性的特點,傳統(tǒng)的太陽輻照度點預測模型的預測精度往往不高。同時,點預測結(jié)果往往不能表征太陽輻照度的隨機性,給決策工作帶來風險。若能在給出確定性的點預測結(jié)果的同時,描繪出太陽輻照度波動的區(qū)間,將有利于電力部門進行風險分析和更加合理的調(diào)度。為此,論文在深入研究最優(yōu)變分模態(tài)分解算法、混沌蝗蟲優(yōu)化算法、混合核相關(guān)向量機、非參數(shù)核密度估計等方法的基礎(chǔ)上,研究了太陽輻照度的點預測模型和區(qū)間預測模型,主要研究工作和創(chuàng)新成果如下:(1)太陽輻照度預測模型中的參數(shù)優(yōu)化直接影響到模型的性能,針對參數(shù)優(yōu)化問題,對蝗蟲優(yōu)化算法(GOA)進行改進,提出了混沌蝗蟲優(yōu)化算法(CGOA)。GOA是模擬自然界中的蝗蟲在覓食過程中的集群行為提出的一種仿生智能算法,其最顯著的特點是在迭代過程中,每個粒子的下一個位置不僅考慮了其當前位置和當前群體的最優(yōu)位置,還考慮了其他粒子的位置。傳統(tǒng)的仿生智能算法中的粒子的下一個位置往往沒有考慮其他粒子的位置,因而GOA更容易跳出局部最優(yōu),收斂速度更快。CGOA對GOA作了三點改進:1)將平衡全局與局部尋優(yōu)能力的線性遞減函數(shù)改為非線性遞減的逆不完全伽馬函數(shù),有利于GOA在前期側(cè)重全局探索,而在后期側(cè)重更加精細的局部開發(fā);2)將越界的粒子更新到位置變量的區(qū)間端點改為更新到區(qū)間內(nèi)部,防止GOA頻繁的在上界或下界處尋優(yōu),影響收斂速度;3)采用混沌搜索算法對當前最優(yōu)位置進行優(yōu)化,提高GOA的解的精度。通過測試函數(shù)發(fā)現(xiàn),CGOA較GOA具有更快的收斂速度和更高的精度。(2)針對太陽輻照度不穩(wěn)定的特點,提出采用變分模態(tài)分解(VMD)對原始太陽輻照度序列進行分解,從而得到相對穩(wěn)定的模態(tài)分量。VMD算法中有三個參數(shù):模態(tài)個數(shù)K、懲罰因子a、保真度系數(shù)t難以率定,為此,提出了最優(yōu)變分模態(tài)分解算法(OVMD)。對于K,OVMD以分解后的殘余分量與原始序列之間的相關(guān)性來保證分解的精度并指導最優(yōu)K值的確定;對于a和t,OVMD根據(jù)分解后的殘差建立殘差指標,并作為CGOA的適應度函數(shù),通過CGOA來尋找最優(yōu)的a和t,使分解殘差最小。對實際的太陽輻照度序列,分別利用集合經(jīng)驗模態(tài)分解(EEMD)和OVMD進行分解,并采用正交性指標進行比較分析,得出OVMD具有更優(yōu)的分解性能。(3)采用CGOA優(yōu)化的混合核相關(guān)向量機(RVM)對OVMD得到的模態(tài)分量分別建立預測模型,將各個分量模型的預測結(jié)果累加,得到太陽輻照度的點預測模型(OVMD-CGOA-RVM)。RVM中核函數(shù)的選擇及核函數(shù)中的參數(shù)的設(shè)置直接影響到RVM的預測性能。對于核函數(shù),將學習能力較強的高斯核函數(shù)和推廣能力較強的多項式核函數(shù)進行組合,得到的混合核函數(shù)同時保證了其學習能力和推廣能力;對于混合核函數(shù)中的參數(shù),采用CGOA來尋優(yōu),從而建立最優(yōu)的RVM預測模型。將不同時間、不同地區(qū)的兩個監(jiān)控平臺的監(jiān)測數(shù)據(jù)均按春夏秋冬四個季節(jié)劃分為四組數(shù)據(jù),對每組數(shù)據(jù)最后兩天的逐時太陽輻照度分別采用OVMD-CGOA-RVM模型、CGOA-BP模型、ARIMA模型、CGOA-LSSVM、CGOA-RVM模型和EEMD-CGOA-RVM模型進行預測,并將預測結(jié)果采用誤差評價指標進行評價,得出在任意一組數(shù)據(jù)中,OVMD-CGOA-RVM模型的預測性能均明顯優(yōu)于其他五種模型,并且預測精度都比較高,說明了OVMD-CGOA-RVM模型具有較好的預測精度,并且比較穩(wěn)定,具有通用性。(4)在OVMD-CGOA-RVM點預測模型基礎(chǔ)上,采用非參數(shù)核密度估計(KDE)得到太陽輻照度預測誤差的概率密度,利用三次樣條插值擬合預測誤差的概率分布曲線,建立了太陽輻照度的區(qū)間預測模型(OVMD-CGOA-RVM-KDE)。針對KDE中核函數(shù)的窗寬難以率定的問題,提出以平均覆蓋率和平均寬度構(gòu)建的綜合評價函數(shù)作為適應度函數(shù),采用CGOA來實現(xiàn)最優(yōu)窗寬的選擇。通過對上述兩個監(jiān)控平臺監(jiān)測數(shù)據(jù)的實驗發(fā)現(xiàn),OVMD-CGOA-RVM-KDE區(qū)間預測模型較CGOA-RVM區(qū)間預測模型和CGOA-BP-KDE區(qū)間預測模型更可靠、更準確�；�于OVMD-CGOA-RVM-KDE區(qū)間預測模型得到的太陽輻照度預測區(qū)間具有較小的區(qū)間寬度,有利于電力系統(tǒng)調(diào)度部門進行電網(wǎng)規(guī)劃、風險分析和可靠性評估等。
【圖文】：

蝗蟲優(yōu)化算法（GOA）是澳大利亞學者 Shahrzad Saremi、Seyedali Mirjaldrew Lewis 于 2017 年提出的一種新型群智能仿生優(yōu)化算法[70]。該算法模擬自蝗蟲在覓食過程中的集群行為，，以解決最優(yōu)化問題。在蝗蟲集群過程中，蝗間會產(chǎn)生斥力和引力，形成排斥區(qū)、舒適區(qū)和吸引區(qū)，如圖 2-1 所示，其中表示舒適區(qū)，圓圈內(nèi)部表示排斥區(qū)，圓圈外部表示吸引區(qū)。在排斥區(qū)，斥力；在吸引區(qū)，引力大于斥力；在舒適區(qū)，斥力等于引力。兩個蝗蟲個體之間大，引力越強，斥力越弱；反之，兩個蝗蟲個體之間的距離越小，斥力越強弱。GOA 利用蝗蟲群體中的個體之間的社會行為實現(xiàn)對信息的共享，使整運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解�；认x個體之間的斥力使蝗蟲能夠探索整個搜索空間，而引力則鼓勵它們精細望的區(qū)域。GOA 模擬蝗蟲產(chǎn)生的斥力行為實現(xiàn)全局探索，模擬蝗蟲的引力局部開發(fā)。同時為了平衡全局探索和局部開發(fā)能力，采用了自適應減少蝗蟲策略。最后，由蝗蟲群追逐和改進的目標即為最優(yōu)解。

華 中 科 技 大 學 博 士 學 位 論 文ijnijjiijSsdd ()1 （2-1）式中，ijd 表示第i個蝗蟲和第 j 個蝗蟲之間的距離，即ijjid x x，ix 表示第i個蝗蟲的位置；ijjiijdxxd 表示第i個蝗蟲到第 j 個蝗蟲的單位向量； ()ijs d表示第i個蝗蟲和第 j 個蝗蟲之間社會行為（吸引或排斥）的強度，其表達式如（2-2）式所示。ijijdldijsdfee ( ) （2-2）式中， f 和l為常數(shù)。 ()ijs d是關(guān)于ijd 的函數(shù)，圖 2-2 是當 f 0 .5,l 1.5時，s隨ijd 的變化曲線圖，其中 ( ) 0ijs d表示產(chǎn)生斥力。
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TM615

【相似文獻】

相關(guān)期刊論文 前10條

1 王品晶;方偉;葉新;;太陽輻照度監(jiān)測儀主動熱控測試系統(tǒng)設(shè)計[J];傳感器與微系統(tǒng);2013年12期

2 秦慧平;易維寧;黃紅蓮;潘邦龍;;山區(qū)地表太陽輻照度隨時空變化的模擬分析[J];武漢大學學報(信息科學版);2011年07期

3 鮑安平;;光伏發(fā)電中太陽輻照度短期優(yōu)化預測仿真[J];計算機仿真;2017年10期

4 李雄耀;王世杰;程安云;;月表有效太陽輻照度實時模型[J];地球物理學報;2008年01期

5 吳曙初,李武,辛海英,沈如松;利用衛(wèi)星遙感資料估算海面太陽輻照度的初步結(jié)果[J];黃渤海海洋;1999年01期

6 唐瀟;賈平;王凱;宋寶奇;方偉;王玉鵬;;太陽輻照度絕對輻射計的光電不等效性修正[J];光學精密工程;2016年10期

7 吳貞龍;徐政;胡曉燕;邱宗旭;;傾斜面太陽輻照度實用計算模型的研究[J];太陽能學報;2016年03期

8 羅明武;孫朝霞;劉強民;羅云月;朱錦峰;李巍威;鄒丹丹;汪磊;;基于集對分析理論的太陽輻照度區(qū)間預測[J];電力科學與工程;2015年10期

9 李再琨;太陽輻照度下降的有效黑子模式和太陽輻照度可變性的有效光球活動區(qū)模式[J];空間科學學報;1982年04期

10 姚海成;周劍;林琳;邢恩愷;黃南天;陳艷偉;;利用蝙蝠算法優(yōu)化SVR的太陽輻照度預測方法研究[J];可再生能源;2018年11期

相關(guān)會議論文 前3條

1 李娜;;太陽輻照度計算方法的探討[A];第七屆全國建筑環(huán)境與能源應用技術(shù)交流大會文集[C];2017年

2 黃炎;商啟光;董杰;;GF-1衛(wèi)星傳感器波段平均太陽輻照度計算及應用[A];第十八屆中國環(huán)境遙感應用技術(shù)論壇論文集[C];2014年

3 李新;鄭小兵;戎志國;劉恩超;張艷娜;李文偉;;自校準連續(xù)細分光譜太陽照度儀[A];S8 大氣探測與儀器新技術(shù)、新方法[C];2012年

相關(guān)博士學位論文 前3條

1 吳小濤;基于變分模態(tài)分解和相關(guān)向量機的太陽輻照度預測模型研究[D];華中科技大學;2018年

2 王杭州;海冰基太陽輻照度剖面自動監(jiān)測及校正技術(shù)研究[D];浙江大學;2015年

3 唐瀟;空間太陽絕對輻射計的熱特性分析及光電不等效性研究[D];中國科學院長春光學精密機械與物理研究所;2017年

相關(guān)碩士學位論文 前10條

1 王偉;太陽輻照度監(jiān)測儀比對與校正研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2004年

2 王品晶;新型四通道太陽總輻照度監(jiān)測儀電學系統(tǒng)的研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2013年

3 張文一;大規(guī)模光伏電站發(fā)電容量可信度研究[D];哈爾濱工程大學;2017年

4 艾逸陽;基于地基云圖的超短期光伏電站輻照度預測研究[D];浙江大學;2018年

5 高瑾;智能光伏并網(wǎng)系統(tǒng)及輻照波動對系統(tǒng)預警研究[D];云南師范大學;2016年

6 李多;并網(wǎng)型光伏電站發(fā)電功率預測研究[D];蘭州交通大學;2016年

7 楊蕾;太陽能光伏電站輸出功率預測研究[D];蘭州交通大學;2014年

8 黃文政;全方位太陽輻照度測量和分析系統(tǒng)[D];武漢紡織大學;2012年

9 張佳琦;太陽輻射監(jiān)測儀的太陽輻照數(shù)據(jù)預處理[D];吉林大學;2011年

10 范飛;計及負荷和輻照度加和特性的電力系統(tǒng)可靠性評估模型研究[D];重慶大學;2015年

本文編號：2656066