基于混沌时间序列的光伏功率预测方法研究

随着化石能源的日益枯竭以及人们对环境污染问题愈来愈关注,光伏发电的开发与利用已经成为世界各国解决能源和环境制约问题的共同方案,光伏发电系统已经成为电力系统的重要组成部分。然而,光伏功率受天气、云层、温度等多种因素的影响具有较强的随机性、波动性和间歇性,这会对大电网的安全稳定运行造成严重冲击。有效的光伏功率预测方法可以减小电网的运行成本,保护电网的安全稳定运行,电力工作者也可据此制定合理的经济调度计划。鉴于基于气象数据的传统光伏功率预测方法带有人为主观性,本文从深入挖掘光伏功率时间序列的动力学行为出发,给出了基于混沌时间序列的光伏功率预测研究方向,即基于单变量时间序列的光伏功率预测和基于多变量时间序列的光伏功率预测。首先,回顾了混沌的定义和基本概念,理清了相空间重构理论,延迟时间和嵌入维数两个关键参数的具体求解方法,介绍了关联维数法、最大Lyapunov指数法、递归图法3种混沌时间序列的判定方法,并以实际光伏电站的数据验证了光伏功率时间序列具有混沌特性。其次,由于在混沌理论中,现有嵌入维数计算方法往往难以获得时间序列的最佳嵌入维数,且不同计算方法获得的嵌入维数稍有不同,相应光伏功率的预测结果也就不同。为减小嵌入维数对预测结果的影响,研究了一种基于多嵌入维Volterra滤波器的光伏功率自适应预测方法。以实际光伏功率时间序列为研究对象,分别利用互信息法、Cao氏法确定延迟时间和嵌入维数,构建了基于多嵌入维数的Volterra组合预测模型,组合模型采用神经网络对各嵌入维数下的Volterra单一模型进行组合。仿真结果验证了所提方法的可行性和有效性。然后,为有效避免神经网络陷入局部最优,研究了一种基于天牛群优化(beetle swarm optimization,BSO)-Elman神经网络的光伏功率全局预测方法。在分析粒子群优化(particle swarm optimization,PSO)和天牛须搜索(beetle antennae search,BAS)算法特点的基础上,把由PSO和BAS有机结合在一起的BSO算法应用到Elman神经网络的预测中。在对光伏功率时间序列相空间重构后,BSO进行第一次迭代寻找全局最优解,并将其作为Elman神经网络的最优初始权重。在此基础上,Elman神经网络进行第二次迭代完成训练并以此预测光伏功率。以实际光伏电站数据为算例的预测结果和误差对比分析,验证了所提方法的适应性更强、鲁棒性和稳定性更好。最后,针对光伏功率单变量时间序列预测方法的不足,研究了一种基于多变量相空间重构和径向基函数(radial basis function,RBF)神经网络的光伏功率全局预测方法。基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;而后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;在此基础上,结合神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率全局预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。