超短期光伏出力区间预测算法及其应用

被引:43
作者
黎敏 [1 ]
林湘宁 [2 ]
张哲原 [2 ]
翁汉琍 [1 ]
机构
[1] 三峡大学电气与新能源学院
[2] 强电磁工程与新技术国家重点实验室(华中科技大学)
基金
国家自然科学基金重点项目;
关键词
粒子群优化; 边界估值理论; 区间预测; 光伏出力预测;
D O I
暂无
中图分类号
TM615 [太阳能发电];
学科分类号
0807 ;
摘要
光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。
引用
收藏
页码:10 / 16
页数:7
相关论文
共 12 条
[1]   基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法 [J].
王昕 ;
黄柯 ;
郑益慧 ;
李立学 ;
郎永波 ;
吴昊 .
电力系统自动化, 2016, 40 (17) :156-162
[2]   基于粒子群优化的核极限学习机模型的风电功率区间预测方法 [J].
杨锡运 ;
关文渊 ;
刘玉奇 ;
肖运启 .
中国电机工程学报, 2015, 35(S1) (S1) :146-153
[3]   太阳能光伏发电的中长期随机特性分析 [J].
张曦 ;
康重庆 ;
张宁 ;
黄越辉 ;
刘纯 ;
徐健飞 .
电力系统自动化, 2014, 38 (06) :6-13
[4]   光伏并网发电系统对电网的影响研究综述 [J].
陈炜 ;
艾欣 ;
吴涛 ;
刘辉 .
电力自动化设备, 2013, 33 (02) :26-32+39
[5]   基于分位点回归的风电功率波动区间分析 [J].
李智 ;
韩学山 ;
杨明 ;
钟世民 .
电力系统自动化, 2011, 35 (03) :83-87
[6]   基于非参数回归模型的短期风电功率预测 [J].
王彩霞 ;
鲁宗相 ;
乔颖 ;
闵勇 ;
周双喜 .
电力系统自动化, 2010, 34 (16) :78-82+91
[7]  
Correlation and instance based feature selection for electricity load forecasting[J] . Irena Koprinska,Mashud Rana,Vassilios G. Agelidis.Knowledge-Based Systems . 2015
[8]  
Short-term solar power prediction using a support vector machine[J] . Jianwu Zeng,Wei Qiao.Renewable Energy . 2013
[9]   Hourly solar irradiance time series forecasting using cloud cover index [J].
Yang Dazhi ;
Jirutitijaroen, Panida ;
Walsh, Wilfred M. .
SOLAR ENERGY, 2012, 86 (12) :3531-3543
[10]   Assessment of forecasting techniques for solar power production with no exogenous inputs [J].
Pedro, Hugo T. C. ;
Coimbra, Carlos F. M. .
SOLAR ENERGY, 2012, 86 (07) :2017-2028