第5章 总结与展望

5.1 总结

微网作为新型可再生能源发电网络，有效地促进了分布式能源的发展。风电、光伏短期功率预测技术的研究，为电力系统稳定性提供了有效的支持，缓解了微网系统输出功率的并网对大电网造成的冲击，有利于电力调度的有效进行。

本部分以微网EMS实验平台实际监测的数据为基础，分别对光伏系统和风电场建立短期功率预测模型。针对光伏系统，本部分采用一种基于密度峰值的快速搜索层次聚类算法结合统计学习理论建立预测模型，并与传统的K-means聚类算法进行对比，证明本部分提出的预测模型其精度更高^[52]；针对风力发电系统的功率预测，本部分采用了间接预测方法，首先分析与风电功率相关的一些环境因素和气象特征，然后建立了基于EEMD和LS-SVM的短期风速预测模型，在风速预测的基础之上，最终建立风电功率短期预测模型，并与EMD和LS-SVM建立的模型结果进行对比分析，证明本部分建立的预测模型提高了功率预测精度^[53]。

在研究和分析微网光伏电站的基础上，本部分关于光伏短期功率所做的主要工作如下：

1）首先研究和分析了光伏出力的气象影响因素，证明了不同的季节对功率值的影响有很大差别，天气状况也影响着光伏功率的输出，由于此将气象划分为晴天、阴天、小雨和大雨4种类型；对于未定义标签类型的气象样本，提出了一种基于密度峰值的层次聚类算法进行无监督的标签定义，并与传统的K-means算法进行对比，表明本部分所用方法收敛速度、划分误差及鲁棒性均存在优势。

2）在气象类型划分后，采用了基于SVM的预测日气象类型识别，针对SVM识别模型的参数选取，采用了传统的二维网格搜索算法，选择较为波动的春季时节小样本数据进行训练，其识别误差结果较为理想。

3）采用RBF神经网络建立了不同气象类别的短期功率预测模型，将预测日代入气象类型相同的模型中，最终得到待求功率值。

本部分有关风电场风电功率短期预测的工作如下：

1）首先分析了风速、风向和大气压力等风电场气象要素，确定了相关性大的几个特征，为风速预测做了准备工作。

2）针对波动性大的风速特性，本部分采用了一种改进的模态分解方法——EEMD进行时序信号的分解，将风速分解为不同频域下较为平缓的波形，并避免了EMD产生的模态混叠现象对预测的不利影响。

3）采用相空间重构对风速子序列进行预处理，然后建立LS-SVM风速预测模型，在参数优化方面，本部分考虑空间重构和LS-SVM模型的整体性，采用了一种改进FOA实现全参数优化，并与GA和PSO进行了对比，其结果表明本部分采用的算法收敛速度更快，且可调参数更少。

4）对风速-风功率转化模型进行分析，将功率曲线划分为4段，把求出的风速预测值代入模型后得到最终风功率预测值。

本部分的创新点在于：

1）对天气类型进行无监督的聚类识别，比NWP对天气类型的划分更加明确，最终提高了光伏功率预测模型的精度。

2）提出了基于密度峰值的层次聚类算法，并证明与传统算法相比，该算法具有较快的收敛速度，更强的鲁棒性能。

3）对FOA进行了改进，使算法的搜索范围更广，速度更快，可调参数更少，有利于模型参数的确定。