基于EWT-KMPMR组合模型的光伏电站短期功率预测

作者:李青;孙谊媊;于永军;王琛;马天娇; 刊名:农业工程学报 上传者:张志江

【摘要】为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析.该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果.试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%.以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度.

全文阅读

0引言光伏发电已逐渐成为仅次于风力发电的可再生清洁能源利用形式,由于其受光照昼夜交替和气象多变等不可控因素的直接影响,具有难以避免的间歇性特点。然而,随着光伏发电装机容量的逐年增长,大规模的光伏并网对电网安全稳定运行造成了很大的冲击,因此,准确的光伏出力预测对电力系统调度部门合理分配火电等常规能源与光伏发电的比例具有极其重要的意义[1-4]。目前,中国不同地区的短期光伏功率预测模式和方法均有不同,离市区较近且气象观测站资源丰富地区的光伏电站,一般采用物理方法进行预测,该方法通过光伏组件参数、电厂地理位置信息及气象数据等参数来建立太阳辐照传递方程、光伏组件运行方程等物理方程进行预测,但其建模过复杂,模型自适应性差,难以准确预测突变天气下的光伏电站出力[5-9]。中国大多光伏电站均位于偏远地区,地理位置信息和气象观测数据很难准确获取,因此,以神经网络为主的各种统计分析方法在短期光伏功率预测中应用较多,其本质是通过模拟历史积累数据的运行规律来实现光伏电站出力预测。以SVM和其他各种计算智能方法为主的直接预测方法以及以预 测太阳辐照强度为基础进而得到光伏功率的间接预测方法目前已经取得了较为成功的应用[10-13]。然而,在数据变化剧烈的非常规天气状态下,基于神经网络的单一预测方法很难取得较高的预测精度。以小波分析和经验模态分解(empiricalmodedecomposition,EMD)为主的各种信号预处理方法已被成功地应用在了光伏功率序列预处理中,可实现对初始光伏功率序列的平稳化处理,进而为智能预测方法提供有利的输入数据,有效改善了单一预测方法在光伏功率波动剧烈区间预测精度不高的问题。然而,小波分析法是一种需要事先设定基函数,依赖于主观经验的非自适应分解方法;EMD存在较为严重的模态混叠现象,容易产生虚假的模态分量,且分解分量个数多,计算规模大,增加了组合预测方法的计算量[14-18]。在EMD的基础上,文献[19]以小波分析为理论框架,提出了经验小波变换(empiricalwavelettransform,EWT)法,其核心思想是通过构造合适的正交小波滤波器组对信号的Fourier谱进行自适应划分,以提取具有紧支撑傅里叶频谱的AM-FM成分。EWT是在小波框架下建立的自适应分解方法,相比于EMD,其具有理论性强,计算量小,分解的模态个数少,不存在难以解释的虚假模态分量的优点[20-21]。核最小最大概率分类机(kernelminimaxprobabilitymachineclassification,KMPMC)通过引进核函数在高维空间实现非线性分类,是一种基于高阶统计信息的特征提取模型。核最小最大概率回归机(KMPMR)建立在KMPMC的基础上,将回归建模问题看作概率建模的一种形式,对模型分布不作具体假设,仅需给定模型数据 分布的均值与协方差矩阵,能够最大化模型的预测输出位于其真实值边界内的最小概率[22-25]。基于上述,本文在EWT和KMPMR的基础上,提出一种基于EWT与KMPMR的组合预测方法。首先利用EWT将相似日光伏功率时间序列分解为包含原光伏功率序列中不同波动尺度局部特征信息的AM-FM分量,然后根据各分量自身特性建立相应的KMPMR预测模型分别进行预测,叠加各分量预测值以得到最终的预测结果。将EWT-KMPMR方法应用于新疆阿克苏地区的光伏电站功率预测中,并与包括MPMR在内的单一预测方法以及EMD-KMPMR组合预测方法进行比较来验证本文方法的预测效果。1经验小波变换EWT方法吸取了EMD和小波分析各自的优点,具有理论性强,计算

参考文献

引证文献

问答

我要提问