基于EEMD与变权组合预测的光伏发电预测模型及应用研究

论文摘要

化石能源一直在人类社会进程中扮演着非常重要的角色,但是由于其自身的不可再生性以及对环境造成的污染渐渐无法满足人类的需求。相比之下,太阳能具有获得便利、取之不尽、清洁无污染等特性,已经成为现今人类广泛利用的能源之一。光伏发电方式正在世界范围内迅速扩大,并且已经在发达国家发电方式中占据一定比例。中国近些年也在大力发展光伏发电项目,有关光伏发展及污染防治的政策陆续提出,从各方面强调了光伏发电的重要性。但是由于光伏发电功率受天气等各因素影响较大,功率输出不够稳定,为了保证光伏电网的安全稳定运行,使电量调度较易进行,准确预测光伏发电功率势在必行。本文提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与变权组合预测的光伏发电功率预测方法,预测期间将EEMD与变权组合预测模型相结合,提高模型预测精度。首先运用EEMD对光伏发电功率数据序列进行分解,并将分解出的序列分量按一定规律组合成低频、中频和高频三部分,同时采用决策树、支持向量机与集成学习三种机器学习算法作为基本预测方法组成变权组合预测模型,发挥各算法的优点并弥补其不足。对低频、中频和高频三部分序列分别运用变权组合预测模型进行预测,三部分预测结果相加即得最终预测结果。在预测过程中对组合预测方法权重的设计进行了研究,提出了调和平均数法与二次规划法两种方法,并探讨哪种能取得更好的效果。实例研究和模型对比结果表明,在光伏发电预测中,通过EEMD分解后各部分分别预测并相加所得预测结果优于直接预测,而将单一预测模型变为变权组合预测模型,在确定最优权重后预测精度进一步提高。在成功验证本论文方法有效后,从季节因素、变量筛选和相似样本聚类三方面对模型进行了优化,对光伏发电的特点进行研究并进一步提高了光伏预测精度。最后对光伏预测如何在并网光伏发电中进行实际运用进行了研究并给出了相关建议。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 研究背景及意义
•     1.1.1 研究背景
•     1.1.2 研究意义
•   1.2 国内外研究现状
•     1.2.1 机器学习
•     1.2.2 信号分解算法
•     1.2.3 组合预测方法
•     1.2.4 光伏发电预测
•   1.3 研究思路及创新点
• 第2章 相关理论基础
•   2.1 机器学习算法
•     2.1.1 决策树
•     2.1.2 支持向量机
•     2.1.3 集成学习
•   2.2 信号分解算法
•     2.2.1 EMD
•     2.2.2 EEMD
•   2.3 本章小结
• 第3章 EEMD及变权组合光伏发电预测模型
•   3.1 变权组合预测模型建立
•     3.1.1 最优权重选取方法设计
•     3.1.2 模型建立流程
•   3.2 EEMD及变权组合预测模型建立
•   3.3 实证分析
•     3.3.1 数据来源及预处理
•     3.3.2 单一机器学习算法预测分析
•     3.3.3 EEMD及变权组合模型预测分析
•   3.4 模型泛化性研究
•   3.5 本章小结
• 第4章 EEMD及变权组合预测基础模型优化研究
•   4.1 季节因素研究
•     4.1.1 夏季建模
•     4.1.2 冬季建模
•     4.1.3 春秋季建模
•   4.2 变量筛选研究
•     4.2.1 变量重要性评估
•     4.2.2 模型建立及结果分析
•   4.3 相似样本聚类研究
•   4.4 本章小结
• 第5章 光伏发电预测在并网光伏发电中的运用
•   5.1 并网光伏发电
•   5.2 用户负荷需求预测
•   5.3 并网交互模拟及建议
•   5.4 本章小结
• 第6章 研究成果和结论
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢

文章来源

类型: 硕士论文

作者: 孙建波

导师: 王辉

关键词: 光伏预测,机器学习,集合经验模态分解,变权组合预测,应用研究

来源: 华北电力大学(北京)

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,经济与管理科学

专业: 数学,电力工业,宏观经济管理与可持续发展,工业经济

单位: 华北电力大学(北京)

分类号: F224;F426.61

DOI: 10.27140/d.cnki.ghbbu.2019.000509

总页数: 71

文件大小: 6970K

下载量: 137