基于ANN和時(shí)間周期性的光伏電站輻照度預(yù)測(cè)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(jī)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(yáng)輻射是影響光伏發(fā)電功率的主要因素，其本身的隨機(jī)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(dòng)性，大規(guī)模光伏電站并網(wǎng)會(huì)給電力系統(tǒng)的調(diào)度管理、電網(wǎng)安全運(yùn)行帶來(lái)挑戰(zhàn)，總之，太陽(yáng)輻照度的預(yù)測(cè)對(duì)于光伏發(fā)電功率預(yù)測(cè)以及光伏發(fā)電的規(guī)劃、運(yùn)行與控制具有重要意義。
　　 目前國(guó)內(nèi)外圍繞太陽(yáng)輻照度短期預(yù)測(cè)的研究方法主要包括回歸分析、時(shí)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(cè)模型相對(duì)于其它方法有較好的預(yù)測(cè)結(jié)果。本文對(duì)如何提高輻照度神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型性能和預(yù)測(cè)效果在輸入變量選取、模型結(jié)構(gòu)優(yōu)化、預(yù)測(cè)輸出修正三個(gè)方面進(jìn)行了研究。首先，對(duì)現(xiàn)有輻照度神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型的輸入輸出變量進(jìn)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(huì)因冗余信息過(guò)多而降低預(yù)測(cè)精度和泛化能力，針對(duì)此問(wèn)題，引入環(huán)境溫度、風(fēng)速、氣壓、

3、積日等與輻照度直接相關(guān)的因素作為預(yù)測(cè)模型的輸入，將多維歷史輻照度序列簡(jiǎn)化為輻照度的均值和方差，剔除冗余信息，對(duì)比不同輸入變量組合的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)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(cè)性能的關(guān)鍵因素，為此，采用交叉驗(yàn)證的方法對(duì)模型的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，依據(jù)誤差指標(biāo)確定神經(jīng)網(wǎng)絡(luò)模型的隱層個(gè)數(shù)、隱層神經(jīng)元數(shù)、傳輸函數(shù)、訓(xùn)練函數(shù)等，完成了對(duì)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(shí)間周期性，利用歷史同期輻照度數(shù)據(jù)通過(guò)加權(quán)累加的方式，對(duì)短期預(yù)測(cè)模型的輸出進(jìn)行修正，確定了預(yù)測(cè)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(shí)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(shí)間周期性修正的預(yù)測(cè)結(jié)果。最后，采用某光伏電站實(shí)測(cè)數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)多種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的對(duì)比分析，驗(yàn)證了本文方法的有效性與合理性。實(shí)測(cè)數(shù)據(jù)的預(yù)測(cè)結(jié)果