电气工程及其自动化论文哪里有？本文分析了支持向量机模型在短期负荷预测中存在惩罚参数 C 、不敏感损失函数 、核参数 不易合理优化的问题。针对此问题，本文提出了一种基于量子烟花算法优化支持向量机（QFAW-SVM）的新型短期负荷预测模型，应用量子烟花算法对 SVM 模型参数进行优化。采用此模型对“光—火”联合发电系统调度区间时段的负荷进行预测。通过实际电网的算例表明，本文所提模型对短期负荷具有较好的预测精度和预测效果，为“光—火”联合发电系统调度提供了负荷数据支持。
1 引言
（1）国外研究现状
2003 年，法国美迪公司研发了可用于估算太阳能资源、评估年产量、确定光伏板最佳位置的 MetedynPV 软件。该软件可以实现光伏发电功率预测，支持未来 5-30min，30min-6h，6-48h三个时间尺度的光伏发电功率预测，目前该软件主要应用于欧洲的部分地区。
丹麦 ENFOR 公司开发的 SOLARFOR 系统是具有代表性的光伏发电功率预测系统，该系统是基于物理模型和先进机器学习算法的软件系统，具有自学习自标定功能，该系统能够将光伏发电功率历史数据、短期天气预报信息、地理信息、日期等因素有效结合，利用系统的自适应统计模型对未来短期 0~48h 的光伏发电功率进行预测。该系统目前主要为欧洲、北美、澳洲等国家提供服务。
美国清洁能源研究公司从 1998 年 1 月 1 日利用光伏发电预测系统为美国、加拿大、墨西哥、加勒比地区提供未来 7 日的太阳辐照度与光伏发电功率预测服务，并将服务延伸至南美洲等地区。
3 基于ICEEMDAN-IF-MPSO-SVM模型的短期光伏发电功率预测
3.1 SVM 模型在光伏发电功率预测中存在的问题
随着对光伏发电研究的逐渐深入，当前已有很多种光伏发电功率的预测模型和方法，例如：时间序列法，人工神经网络，灰色预测理论，支持向量机等。在早期，时间序列法已被广泛应用于光伏发电的预测[89，90]，并取得一定的预测效果。但是诸如气象条件等外在环境不稳定或环境发生较大变化时，光伏发电功率预测精度不够理想。
随着人工智能的发展，具有较好鲁棒性的人工智能技术被应用于许多领域[91-93]。人工智能的许多技术也被应用于光伏发电，光伏发电功率预测精确性也被有效提高。其中，人工神经网络在光伏发电功率预测技术中展现了较好的优势[94-96]。人工神经网络包含输入层、隐含层和输出层三层结构，具有自适应、自组织、自学习的优点。然而，人工神经网络缺乏对隐含层、神经元数目和激活函数的明确设定方法，而且易陷入局部最优值，在设计大型神经网络时，收敛速度较慢，预测精度往往较差[97，98]。灰色预测理论也被应用于光伏发电功率的预测中，灰色预测理论[99]通过关联分析，将光伏发电功率生成具有规律性的数据序列，建立相应的微分方程模型，对未来时段光伏发电功率进行预测。灰色预测理论的优点是所需的历史样本数据较少，运算过程比较简便。然而一旦出现阴天天气情况，光伏发电功率波动较大，预测精度不够理想。
1995 年，V.Vapnik 等人提出一种新的机器学习算法，即支持向量机理论。SVM 在少样本、高维度、非线性问题上表现出非常出色的能力。基于 SVM 的机器学习模型已被证明是提高非线性光伏发电功率预测速度和预测精度的有效工具[100，101]。如第二章基于 SVM 模型的负荷预测所述，在设计 SVM 模型进行光伏发电功率预测时，要采用智能算法对其参数进行优化。
5 基于组合模型的短期光伏发电功率预测
5.1 遗传算法优化小波神经网络模型
各种光伏发电功率预测模型各有优点和缺点，它们之间的关系不是相互排斥，而是相互联系，互为补充。对同一光伏发电功率进行预测时，可以综合考虑各个单项预测模型的优点，将不同的单项预测模型正确组合，形成组合预测模型，再对这一数据进行预测。对于组合预测模型，虽然存在某个单项预测模型预测误差较大的情况，但是如果这个单项预测模型包含系统的独立信息，那么当此预测模型和一个误差较小的单项预测模型组合后，组合预测模型完全有可能出现光伏发电功率预测性能提高的情况。因此，组合预测模型往往能够有效提高光伏发电功率的预测精确度和预测可靠度。
在 1992 年，zhang 等提出小波神经网络 WNN[164]（Wavelet Neural Network），随后人们对小波神经网络研究逐渐深入，小波神经网络逐渐成为热门的建模方法。小波神经网络在信号处理、图像处理、模式识别、故障诊断等诸多学科领域得到了较为广泛的应用。
小波神经网络采用小波分析理论，BP 神经网络隐含层节点的传递函数被小波基函数代替，在信号向前传递的同时，使误差向后传递。小波神经网络很好地将小波分析理论与神经网络处理非线性问题的优势结合起来，既继承了 BP 神经网络结构的优点，又避免了 BP 神经网络结构的缺点和易陷入局部最优的问题。
5.2 基于熵值法的组合模型
组合预测方法综合利用各种单项预测模型所提供的信息，通过合理设置各单项模型加权系数，建立组合预测模型[166]。加权系数直接关系到组合模型的预测精度，所以组合预测核心的问题就是设置各单项模型的加权系数。由于熵值法在信息度量方面具有较好的能力，所以本文采用熵值法原理确定组合预测模型中各单项模型的加权系数。
本文将 GA-WNN 模型、ICEEMDAN-IF-MPSO-SVM 模型和 OVMD-IPSO-LSTM 模型作为三种基本单项预测模型，分别对同一光伏电站发电功率数据进行预测，采用熵值法确定各单项预测模型的加权系数，建立组合预测模型，对光伏发电功率进行预测。本文所建立的组合预测模型整体结构如图 5-4 所示。
7 结论
（1）结论
目前，能源和环境问题变得日益严峻，新能源发电以清洁无污染的优势，得到人们越来越多的关注与重视。常规燃煤机组与新能源组成的联合发电系统已经成为当前应用最广泛的发电形式。新能源发电并网后，由于其不可控性，给电网安全运行带来不确定性，也给电网的调度运行带来新的问题。为了降低新能源并网发电对电力系统的影响，实现对电力系统的动态优化调度，本文对负荷和光伏发电功率预测方法，以及常规燃煤机组和光伏电站组成的“光—火”联合发电系统的环境经济优化调度问题展开研究。通过本文研究最终得到以下研究成果和结论：
1）负荷预测是电力系统调度优化的基础，为电力系统优化调度部门制定合理的调度策略提供数据支持。本文分析了支持向量机模型在短期负荷预测中存在惩罚参数 C 、不敏感损失函数 、核参数 不易合理优化的问题。针对此问题，本文提出了一种基于量子烟花算法优化支持向量机（QFAW-SVM）的新型短期负荷预测模型，应用量子烟花算法对 SVM 模型参数进行优化。采用此模型对“光—火”联合发电系统调度区间时段的负荷进行预测。通过实际电网的算例表明，本文所提模型对短期负荷具有较好的预测精度和预测效果，为“光—火”联合发电系统调度提供了负荷数据支持。
2）随着光伏发电的大规模发展，光伏发电随机性和波动性对电力系统的调度运行影响逐渐增大，短期光伏发电预测能够使电力系统调度部门提前预知光伏电站功率输出情况，为合理的电力系统调度提供决策依据。
3）随着人工智能的快速发展，深度学习作为新型的机器学习算法在预测问题中得到越来越多的应用。本文提出一种基于最优变分模态分解结合长短期记忆网络的复合预测模型（OVMD-IPSO-LSTM）。首先，采用基于特征频带和互信息最大值的方法对 VMD 算法的模态数量和惩罚因子进行优化形成 OVMD 算法。采用 OVMD 算法对原始光伏发电功率进行分解得到一系列本征模态函数。其次，采用改进的粒子群算法（IPSO）对 LSTM 模型的隐含层节点数、学习率以及迭代次数等相关参数进行优化，构建了 IPSO-LSTM 预测模型对各 IMF表示的光伏波动分量进行预测。
参考文献（略）
