電工電氣雜志社

分布式光伏發電接入智能電網功率預測模型優化研究

來源：電工電氣發布時間：2024-05-08 15:08瀏覽次數：66

分布式光伏發電接入智能電網功率預測模型優化研究

楊海亭，白偉，胡運沖

(內蒙古京能康巴什熱電有限公司，內蒙古鄂爾多斯 017000)

摘要：在可再生能源中，隨著光伏發電量逐年增加，光伏發電的波動性可能對電網系統帶來多種不利影響，準確的光伏發電量預測有益于確保電網的穩定運行。對光伏發電的直接預測進行了系統的闡述，討論了輸入輸出數據的相關性以及模型輸入數據預處理的重要性，基于不同類別的幾種光伏功率預測模型進行性能分析，考慮了不同預測模型的優劣勢并進行了評估。研究結果表明，經過優化的算法顯著提高了模型的預測精度，遺傳算法被認為是最可行的優化方法之一。

關鍵詞： 分布式光伏發電；功率預測模型；模型優化；清潔能源

中圖分類號：TM615 ；TM727 文獻標識碼：A 文章編號：1007-3175(2024)04-0001-09

Research on the Optimization of Power Prediction Model for Distributed

Photovoltaic Power Generation Connected to Smart Grid

YANG Hai-ting, BAI Wei, HU Yun-chong

（Inner Mongolia Jingneng Kangbashi Thermal Power Co., Ltd, Ordos 017000, China）

Abstract: In renewable energy, with the increase of photovoltaic power generation capacity year by year, the volatility of photovoltaic power generation may have a variety of adverse effects on the power grid system, and accurate photovoltaic power generation capacity prediction is beneficial to ensure the stable operation of the power grid. In this paper, the direct prediction of photovoltaic power generation is systematically expounded, the correlation of input and output data and the importance of model input data preprocessing are discussed, and the performance analysis is carried out based on several photovoltaic power prediction models of different categories, the advantages and disadvantages of different prediction models are considered and evaluated. The study results show that the optimized algorithm significantly improves the prediction accuracy of the model, and the genetic algorithm is considered to be one of the most feasible optimization methods.

Key words: distributed photovoltaic power generation; power prediction model; model optimization; clean energy

參考文獻

[1] 張青山，王麗婕，郝穎，等. 基于衛星云圖和晴空模型的分布式光伏電站太陽輻照度超短期預測[J]. 高電壓技術，2022，48(8) ：3271-3281.

[2] 朱濤，謝一工，張鵬，等. 分布式光伏快速發展形勢下的電網安全閾度分析[C]//電力行業信息化年會論文集，2021.

[3] 廖啟術，胡維昊，曹迪，等. 新能源電力系統中的分布式光伏凈負荷預測[J].上海交通大學學報，2021，55(12) ：1520-1531.

[4] 劉馨竹. 微電網光伏發電預測及優化調度研究[D]. 南昌：南昌大學，2021.

[5] 靳巖. 基于微氣象的分布式光伏出力預測研究[D]. 蘭州：蘭州交通大學，2022.

[6] 方鵬，高亞棟，潘國兵，等. 基于 LSTM 神經網絡的中長期光伏電站發電量預測方法研究[J] . 可再生能源，2022，40(1) ：48-54.

[7] 張翰霆，陳俊，陳根永. 基于 SEELM 多專家模型的分布式光伏系統負荷預測方法[J] . 電力系統保護與控制，2022，50(10) ：69-75.

[8] 楊錫運，趙澤宇，楊巖，等. 基于時空信息組合的分布式光伏功率預測方法研究[J] . 熱力發電，2022，51(8) ：64-72.

[9] 白捷予，董存，王錚，等. 考慮云層遮擋的光伏發電功率超短期預測技術[J] . 高電壓技術，2023，49(1) ：159-168.

[10] 栗峰，丁杰，周才期，等. 新型電力系統下分布式光伏規?；⒕W運行關鍵技術探討[J] . 電網技術，2023，48(1) ：184-196.

[11] 劉曉艷，王玨，姚鐵錘，等. 基于時序數據處理的分布式光伏功率預測系統[J] . 數據與計算發展前沿，2021，3(4) ：140-148.

[12] MOREY M, GUPTA N, GARG M M, et al.A comprehensive review of grid-connected solar photovoltaic system: Architecture, control, and ancillary services[J].Renewable Energy Focus，2023，45 ：307-330.

[13] WANG Guo, WU Xu.Research on optimization strategy of harmonic suppression and reactive power compensation of photovoltaic multifunctional grid connected inverter[J].International Journal of Electrical Power & Energy Systems，2023，145：108649.

[14] SILVA J, MOREIRA H, REIS M, et al.Theoretical and behavioral analysis of power optimizers for grid-connected photovoltaic systems[J].Energy Reports，2022，8 ：10154-10167.

[15] 崔永. 分布式光伏電站功率預測與儲能模組設計研究[J]. 中國新技術新產品，2023(8) ：58-60.

[16] 黃健生. 分布式光伏儲能發電功率預測及監控系統研究[D]. 廣州：華南理工大學，2022.

[17] 劉剛，閔金，宋偉，等. 基于 K-Means 和 GBRT 的分布式光伏中短期發電量預測[J] . 能源與環保，2023，45(3) ：210-215.

[18] 董存，王錚，白捷予，等. 光伏發電功率超短期預測方法綜述[J] . 高電壓技術，2023，49(7) ：2938-2951.

[19] 馬振亮. 基于深度學習的中長期光伏發電量預測的研究與實現[D]. 寧夏：寧夏大學，2022.

[20] 陳新和，宋月新，張立國，等. 模型與數據混合驅動的分布式光伏超短期功率預測[J] . 供用電，2023，40(1) ：2-9.

[21] 邵非凡，徐敬友，程波，等. 分布式光伏電源與負荷分布中的智能預測分析[J] . 電子技術，2023，52(3) ：384-385.

[22] 李新軍，趙猛，王洪勉，等. 基于 Attention-LSTM 的分布式光伏超短期發電功率預測[J]. 中國新技術新產品，2022(14) ：1-4.

[23] AKBARI E, GHALEH S.Power quality enhancement of distribution grid using a photovoltaic based hybrid active power filter with three level converter[J].Energy Reports，2023，9 ：5432-5448.

[24] DEHGHANI T H, KONSTANTINOU G, LEI Qiyang, et al.Adaptive power system frequency support from distributed photovoltaic systems[J].Solar Energy，2023，257 ：231-239.

[25] 李振生，孫佳龍，卜曉剛，等. 基于分布式光伏功率分區擬合的統調負荷預測方法[J] . 電工技術，2021(15) ：18-20.

[26] 滕陳源，丁逸超，張有兵，等. 基于 VMD-Informer-BiLSTM 模型的超短期光伏功率預測[J]. 高電壓技術，2023，49(7) ：2961-2971.

[27] 譚嘉. 基于深度學習的配電網光伏出力估計與多層負荷協同預測研究[D]. 杭州：浙江大學，2022.

[28] 戶霖. 基于深度學習的高滲透分布式光伏配電網負荷預測方法研究[D]. 保定：華北電力大學，2021.

[29] 張波，高遠，王磊，等. 考慮光伏電源可靠性的配電網無功電壓調控策[J] . 高電壓技術，2023，49(7) ：2775-2784.

[30] 孫航，杜海江，季迎旭，等. 光伏分布式 MPPT 機理分析與仿真研究[J] . 電力系統保護與控制，2015，43(2) ：48-54.

[31] 謝霆.600 MW 超臨界煤電機組與分布式光伏系統耦合發電研究[J] . 電力科學與技術學報，2015，30(1) ：99-104.

[32] 奚偉欽. 計及分布式光伏發電的電力負荷預測研究[D].廣州：廣東工業大學，2022.

[33] 李克強. 主動配電網運行優化與分布式算法的理論研究[D]. 濟南：山東大學，2022.

[34] KHAH S, ZAHEDI R, ESKANDARPANAH R, et al.Optimalsizing of residential photovoltaic and battery system connected to the power grid based on the cost of energy and peak load[J].Heliyon，2023，9(3) ：144-154.

[35] JEELANIS H, PUVIARASI R, CHEN M, et al.An approach to the utilization of grid integration to analyze the performance and quality of solar photovoltaic model[J].Energy Reports，2022，8 ：1029-1044.

[36] 郭威，張凱，魏新杰，等. 高滲透率分布式光伏接入的新型電力系統凈功率預測[J] . 電測與儀表，2022，59(12) ：48-55.

[37] BENAVIDES D, AREVALO P, AGUADO J, et al.Experimental validation of a novel power smoothing method for on-grid photovoltaic systems using supercapacitors[J].International Journal of Electrical Power and Energy Systems，2023，149 ：109050.

[38] 李俊偉，龔新勇，朱元富，等. 基于 SVR-LSTM-BP 的分布式光伏短期出力預測方法研究[J] . 電氣應用，2023，42(2) ：79-84.

[39] SPIEGEL R J, LEADBETTER M R, CHAMU F.Distributed grid-connected photovoltaic power system emission offset assessment:Statistical test of simulated-and measured-based data[J].Solar Energy，2005，78(6) ：717-726.

返回索引列表

SUBSCRIPTION MANAGEMENT

發行征訂

分布式光伏發電接入智能電網功率預測模型優化研究