吴长林, 陈 玉, 高文根,2

(1.高端装备先进感知与智能控制教育部重点实验室(安徽工程大学), 安徽 芜湖 241000；2.安徽工程大学电气工程学院, 安徽 芜湖 241000)

引 言

由于太阳能辐照、云量、温度和相对湿度等气象因子的影响，会导致光伏发电具有随机性和波动性。大量的光伏并网时，大电网的稳定性和安全性将受到威胁。因此短期的光伏发电预测是光伏并网的主要技术之一，可以用于光伏电站能量调度，提高电网的稳定性，有利于光伏电站智能发展[1-3]。文献[4-5]考虑了有湿度、温度和其他气象因素影响，建立了基于BP神经网络短期光伏发电预测模型。但是BP神经网络对初始权重敏感，容易使算法收敛于局部最优。文献[6-7]基于支持向量机(SVM)建立了光伏输出模型，考虑了影响光伏输出的因素。然而模型参数的选择对预测效果影响很大，仅使用单个模型预测不同天气类型的方法也会降低预测精度。目前，光伏发电的主要预测方法为神经网络[8]、支持向量机[9]、马尔科夫链[10]、遗传算法[11]等智能算法以及各种组合的智能算法。文献[12]提出了基于混沌分析及PSO-LS-SVM的短期光伏功率预测方法，该方法预测精度高，但是需要大量的历史光伏数据。文献[13]提出了一种基于EMD分解的AR模型的光伏发电量预测方法。该模型简单，容易在工程上应用，但其所做实验较少，无法判断其他天气情况下预测精度。文献[14]提出一种组合预测模型，用K均值聚类算法确定各输入变量的模糊子集的隶属度函数中心和宽度，并采用GA算法对网络权值参数进行全局搜索优化，预测精度高。……