光伏发电功率与气象影响因子关联关系的分析研究

被引:0
作者
杨光
机构
[1] 华北电力大学
关键词
光伏发电功率; 气象影响因子; 关联关系; 灰色关联分析; 信息熵;
D O I
暂无
年度学位
2014
学位类型
硕士
摘要
可再生能源已成为我国应对世界能源危机和经济发展新形势的战略新兴产业。光伏发电作为可再生能源的重要组成部分近年来得到了快速发展,而大规模随机波动光伏发电的并网必将对电网的安全稳定和调度运行产生不利影响。对光伏发电的输出功率进行准确预测,是打破规模化光伏发电并网应用瓶颈的有效措施。光伏发电功率受多元气象因素的影响,其预测模型输入变量选取的是否合理直接影响预测精度。目前,关于光伏发电气象影响因子作用程度的定量研究很少,本文针对光伏发电功率与多元气象影响因子之间的动态关联关系开展研究,为预测模型输入变量的识别优化与合理选取提供科学依据,具有重要的理论意义和应用价值。 本文在对比分析光伏发电功率与多元气象影响因子变化规律的基础上,给出了气象影响因子作用程度强弱的科学表示。首先,针对不同的气象因素,通过散点图和相关系数对其与光伏发电功率的相关性进行了分析,并讨论了不同天气类型对相关性的影响。根据相关性的大小,确定辐照度、组件温度、环境温度和风速为光伏发电功率的主气象影响因子。在相关系数的基础上,为了消除不同变量数值差异的影响,并考虑极值信息对关联程度的作用,采用灰色关联分析方法对气象影响因子作用程度进行了趋势分析。计算光伏发电功率与气象影响因子的灰色关联度和因子权重系数用以衡量它们之间的关联程度,并对不同归一化方法的计算结果进行了讨论,指出0~1区间归一化方法更适合。通过不同天气类型下灰色关联度和因子权重系数的对比,分析了气象影响因子作用程度的变化趋势。其次,由于光伏发电功率与气象影响因子之间是多重耦合的非线性关系,利用线性的相关系数和灰色关联度衡量气象影响因子作用程度较难获得满意效果,为此,采用信息熵理论对光伏发电功率与气象影响因子之间的动态关联关系进行量化研究。从信息损失的角度,定义了光伏发电功率与气象影响因子的互信息,选择等间距法近似计算其值,并对不同天气类型下互信息值的大小进行了比较。从信息相对减少的角度,引入统计相关系数的概念,分析了光伏发电功率与气象影响因子的相关性。利用互信息和统计相关系数给出了光伏发电功率与气象影响因子动态关联关系的科学度量,并根据不同数据源的历史数据,验证了量化研究的结果。最后,通过综合对比,对相关分析、趋势分析和量化研究三种不同方法进行了评价。
引用
收藏
页数:56
共 32 条
[1]
An Off-Grid PV Power System for Meteorological and Eddy Covariance Flux Station in Kranji; Singapore.[J].Fuu Ming Kai;Alex Cobb;Amy F.L. Chua;Ming Hui Tee;Bernard Ng;Laure Gandois;Charles Harvey.Energy Procedia.2013,
[2]
Siting PV plant focusing on the effect of local climate variables on electric energy production – Case study for Araripina and Recife.[J]..Renewable Energy.2012,
[3]
Solar Irradiance Short-Term Prediction Model Based on BP Neural Network.[J].Zhe Wang;Fei Wang;Shi Su.Energy Procedia.2011,
[4]
Online 24-h solar power forecasting based on weather type classification using artificial neural network [J].
Chen, Changsong ;
Duan, Shanxu ;
Cai, Tao ;
Liu, Bangyin .
SOLAR ENERGY, 2011, 85 (11) :2856-2870
[5]
A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy [J].
Mellit, Adel ;
Pavan, Alessandro Massi .
SOLAR ENERGY, 2010, 84 (05) :807-821
[6]
Estimation of the energy of a PV generator using artificial neural network [J].
Almonacid, F. ;
Rus, C. ;
Perez, P. J. ;
Hontoria, L. .
RENEWABLE ENERGY, 2009, 34 (12) :2743-2750
[7]
Predicting solar radiation at high resolutions: A comparison of time series forecasts.[J].Gordon Reikard.Solar Energy.2008, 3
[8]
Operating temperature of photovoltaic modules: A survey of pertinent correlations.[J].E. Skoplaki;J.A. Palyvos.Renewable Energy.2008, 1
[9]
武汉并网光伏电站性能与气象因子关系研究 [J].
李芬 ;
陈正洪 ;
成驰 ;
蔡涛 ;
杨宏青 ;
申彦波 .
太阳能学报, 2012, 33 (08) :1386-1391
[10]
基于灰色神经网络组合模型的光伏短期出力预测 [J].
王守相 ;
张娜 .
电力系统自动化, 2012, 36 (19) :37-41