基于相似日和LCSSA-BP的短期光伏发电功率预测

作     者：周新茂 

作者单位：沈阳农业大学 

学位级别：硕士

导师姓名：曹英丽;冯婉茹

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：晴空指数 相似日 Logister混沌映射 麻雀算法 BP神经网络 

摘      要：光伏发电预测的精确度将直接影响光伏发电并网的策略和经济性。但由于光伏发电功率具有波动性和间歇性,在光伏发电并网过程中很容易对主电网造成强大的冲击。因此能够精确的对光伏发电功率进行预测对于降低发电成本以及保证光伏并网稳定性和安全性具有重要意义。然而常规的预测方法精度不高并且在预测过程中选取相似日部分为考虑天气因素影响,需将天气类型进行划分,增加了模型的复杂程度,本文引入与天气类型密切相关的气象因素——晴空指数作为新的输入因素,很好的解决了这个问题,并提出一种基于Logistic混沌映射的麻雀搜索算法(LCSSA)以改进BPNN的预测模型。论文的主要工作如下:(1)对辽宁省阜新市某10MW光伏电站一整年的数据进行预处理,采用加权算法修正对缺失和异常的数据,通过分析光伏电站年平均发电功率选取有效发电时间段,构建数据集。分析各种气象因素(太阳辐照度、温度、湿度、风速)对光伏功率扰动影响,选取相关性较大的辐照度和温度作为后续模型输入。(2)引入与天气类型密切相关的气象因素——晴空指数作为选取相似日的输入,并采用熵权法对晴空指数、辐照度和温度进行权重赋值。采用加权马氏距离、加权欧氏距离以及两者组合加权算法三种模型寻找相似日,分析对比三种模型选取结果,选择出最佳模型,为后续功率预测奠定基础。(3)建立了基于BP神经网络的光伏发电功率预测模型,并详细描述了所建立的BP神经网络的具体网络拓扑结构、学习过程、网络各层神经元数量。在使用BP预测模型预测的过程中,发现了BP神经网络存在着迭代次数多、收敛时间长的缺点,为克服这些缺点,采用改进后的麻雀算法优化BP预测模型。(4)针对麻雀算法寻优公式存在的不足,引入Logistic混沌映射提升其全局搜索能力、利用线性递减权重法改善LCSSA协调全局与局部挖掘能力。并建立了LCSSA-BP光伏发电功率预测模型。利用实测数据对比分析所提LCSSA-BPNN模型与SSA-BPNN、BPNN模型的预测精度。结果表明:在晴天、阴天、雨天3种情况下,LCSSA-BP模型预测值的平均相对误差率分别为7.58%、9.47%和10.45%,均优于其他对比模型,说明LCSSA-BPNN预测模型具有更好的适应性和预测性能,这一结果证明本文提出LCSSA-BP预测模型是正确可行的。