基于马尔可夫链的光伏发电系统输出功率短期预测方法总汇.docxVIP

随机过程与随机信号处理课程论文 院系： 学号： 姓名： 基于马尔可夫链的光伏发电系统输出功率短期预测方法 摘要:提出了一种直接预测光伏电站出力的方法。该方法基于马尔科夫链，通过统计光伏电站历史功率数据建模，直接预测光伏电站出力。理论推导证明了该数学模刑的叫行性。以光伏电站为例进行建模预测，证明了该方法的有效性，并通过调整模刑参数获得了更加精确的结果。 关键词:光伏系统 预测 马尔可夫链 输出功率 引言 随着大规模光伏电站接入电力系统，光伏电站输出功率的波动性对电力系统运行与控制的影响日益引起关注，如何更加准确地预测光伏电站输出功率，进而采取有效的应对措施是学术界和工程界关注的焦点。对预测光伏电站输出功率的研究和应用可归纳为2类:一类方法是基于太阳能辐射强度的预测模型。首先建立太阳辐射模型，根据当地的气候历史数据得到太阳辐射的预测值，然后再对逆变过程进行建模，最终得到光伏系统输出功率预测值，如文献[2-6]。这类方法依赖于详细的气象数据，要求预测结果越精确，模型就越复杂，所需的历史气象数据量和数据类型也越多，这使预测过程十分繁琐，不利于实际应用。另一类预测方法是直接对光伏电站输出功率进行预测。实际并网运行光伏电站所采用的光伏面板、地理位置、周边环境及逆变系统都己经确定，通过对历史运行数据的统计进行合理建模，可直接预测光伏系统输出功率，省去大量的气象统计过程和复杂的2次甚至多次建模过程，简化了预测过程。文献[7-8]提出的基于马尔可夫链建立转移矩阵来预测1d之内某地光伏系统出力的方法，具有一定的代表性和实用性。不过在实际建模中，上述方法忽略了光伏电站输出功率随着日升日落有一个上升-保持-下降的基本过程，将1d内所有状态转移统计入同一个转移矩阵内，视为太阳能在1d中每时每刻都有相同的转移趋势。而且，由于1d之内的功率预测全部使用同一个转移矩阵，随着转移次数的增加，最终达到系统过程的平稳状态而致使预测失效。 本文将提出基于马尔可夫链直接预测光伏电站出力的完整模型和实现方法，包括理论依据、1阶转移矩阵的建立、不同阶段之间的衔接、状态转移的修正、参数定义和选择等，给出实际系统预测结果，并讨论改进预测精度的方法。 1 预测模型的建立 1.1 现有的模型 要模拟太阳能光伏阵列的模型并预测其1d的输出功率，一般的做法是将此系统分为2个模型:太阳辐射模型和光伏系统逆变模型。光伏电池接收到的太阳能辐射量包括直接辐射、扩散辐射和球体辐射，即 （1） 式中:是光伏电池板斜面接收的所有太阳能辐射量; 是光线直接照射的辐射部分(direct beam contribution); 是打一散(天空中散射的)能量(diffuse energy);是地表反射的能量(ground reflect energy)。在气候情况变化很小、地区不变的情况下，式(1)中的,均能由直接正常太阳辐射 (direct normal radiation)线性表示;而又是和扩散水平辐射量 (diffuse horizontal radiation)的函数。因此是和的函数，可以通过对和的建模来研究的变化规律。 图1 直接正常辐射和扩散水平辐射的笛卡尔空间 图1横坐标表示每时刻的直接正常辐射量，纵坐标表示每时刻的扩散水平辐射量，2者在对应的笛卡尔空间中形成交点的分布图。由于交点并不分布在一个圆或椭圆形内，这证明和这2个随机变量是相关的。图2分别是和的核密度估计。从图2所估计的概率密度函数可直接证明此随机过程具有非高斯性。 Urbina认为这一随机过程具有一步记忆性(one-step-memory)，大量的证据证明此观点是成立的。根据以上2个事实，为了体现一步记忆性，Urbina在文献[12}和文献[14]中提出用双变量1阶马尔可夫链来描述1h内的太阳能辐射现象。 图2 扩散辐射和直接辐射的核密度估计 马尔可夫链是马尔可夫随机过程的一种特殊形式，它具有离散的状态和离散的参数。在这里，参数是指时间。如图2中扩散水平辐射和直接正常辐射的每个交点也就是随机过程中的一个状态。下一时刻的系统状态只与当前时刻的状态有 关，而与以前时刻的状态无关。为便于分析，将笛卡尔空间进一步划分为多组长方形区域，落在同一长方形区域中的点视为马尔可夫链中的同一状态。任何时刻，太阳能辐射占有某一状态，用状态概率质量函数，即初始分布表示时刻太阳辐射在各状态的分布概率的列向量，定义如下: （2） 式中: 是括号中描述的事件发生的概率;是马尔可夫