基于ANN和時間周期性的光伏電站輻照度預(yù)測研究.pdf

1、光伏發(fā)電在減少環(huán)境污染、改善能源結(jié)構(gòu)、緩解能源危機等方面作用突出，已成為全世界可再生能源發(fā)展的重要方向。太陽輻射是影響光伏發(fā)電功率的主要因素，其本身的隨機性和周期性變化使得光伏發(fā)電功率呈現(xiàn)間歇性和波動性，大規(guī)模光伏電站并網(wǎng)會給電力系統(tǒng)的調(diào)度管理、電網(wǎng)安全運行帶來挑戰(zhàn)，總之，太陽輻照度的預(yù)測對于光伏發(fā)電功率預(yù)測以及光伏發(fā)電的規(guī)劃、運行與控制具有重要意義。
　　 目前國內(nèi)外圍繞太陽輻照度短期預(yù)測的研究方法主要包括回歸分析、時間序列和

2、神經(jīng)網(wǎng)絡(luò)等，其中神經(jīng)網(wǎng)絡(luò)預(yù)測模型相對于其它方法有較好的預(yù)測結(jié)果。本文對如何提高輻照度神經(jīng)網(wǎng)絡(luò)短期預(yù)測模型性能和預(yù)測效果在輸入變量選取、模型結(jié)構(gòu)優(yōu)化、預(yù)測輸出修正三個方面進行了研究。首先，對現(xiàn)有輻照度神經(jīng)網(wǎng)絡(luò)短期預(yù)測模型的輸入輸出變量進行了分析，現(xiàn)有模型輸入變量多為輻照度歷史數(shù)據(jù)序列，在類別上并未考慮其它與輻照度直接相關(guān)的因素，在數(shù)量上多為24維甚至更多，可能會因冗余信息過多而降低預(yù)測精度和泛化能力，針對此問題，引入環(huán)境溫度、風速、氣壓、

3、積日等與輻照度直接相關(guān)的因素作為預(yù)測模型的輸入，將多維歷史輻照度序列簡化為輻照度的均值和方差，剔除冗余信息，對比不同輸入變量組合的神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果，確定合理的輸入變量組合。其次，在確定模型輸入變量之后，神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)就成為決定其預(yù)測性能的關(guān)鍵因素，為此，采用交叉驗證的方法對模型的結(jié)構(gòu)和參數(shù)進行優(yōu)化，依據(jù)誤差指標確定神經(jīng)網(wǎng)絡(luò)模型的隱層個數(shù)、隱層神經(jīng)元數(shù)、傳輸函數(shù)、訓練函數(shù)等，完成了對其網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化。再次，在確定模型輸入變量和網(wǎng)絡(luò)

4、結(jié)構(gòu)之后，考慮輻照度的時間周期性，利用歷史同期輻照度數(shù)據(jù)通過加權(quán)累加的方式，對短期預(yù)測模型的輸出進行修正，確定了預(yù)測模型輸出和修正數(shù)據(jù)各自合理的權(quán)重，并依據(jù)天氣類型給出修正數(shù)據(jù)的類型系數(shù)，從而區(qū)分不同類型天氣在時間周期性相似程度方面的差異，最終獲得融合神經(jīng)網(wǎng)絡(luò)模型輸出與時間周期性修正的預(yù)測結(jié)果。最后，采用某光伏電站實測數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓練，通過多種神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的對比分析，驗證了本文方法的有效性與合理性。實測數(shù)據(jù)的預(yù)測結(jié)果