针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关...针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关(long-range dependence,LRD)参数-Hurst指数,Hurst指数用于判断光伏功率数据是否满足长相关性,并通过最大李雅普诺夫指数(Lyapunov)计算出模型最大可预测时间尺度;其次,采用随机微分法建立FBM光伏功率预测模型,同时估计FBM预测模型参数值;最后,选取澳大利亚沙漠知识太阳能中心(Desert Knowledge Australia Solar Center,DKASC)、美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)以及北京国能日新科技有限公司的光伏功率数据集,从不同的地理环境、不同的气候特征、不同的规模大小电站进行验证。仿真结果表明,该模型较传统的Kalman、LSTM模型具有更高的预测精度,可为光伏并网的稳定和安全运行提供更好的理论支持,对电网调度部门具有较高的参考价值。展开更多
文摘针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关(long-range dependence,LRD)参数-Hurst指数,Hurst指数用于判断光伏功率数据是否满足长相关性,并通过最大李雅普诺夫指数(Lyapunov)计算出模型最大可预测时间尺度;其次,采用随机微分法建立FBM光伏功率预测模型,同时估计FBM预测模型参数值;最后,选取澳大利亚沙漠知识太阳能中心(Desert Knowledge Australia Solar Center,DKASC)、美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)以及北京国能日新科技有限公司的光伏功率数据集,从不同的地理环境、不同的气候特征、不同的规模大小电站进行验证。仿真结果表明,该模型较传统的Kalman、LSTM模型具有更高的预测精度,可为光伏并网的稳定和安全运行提供更好的理论支持,对电网调度部门具有较高的参考价值。
