基于ANN和時間周期性的光伏電站輻照度預測研究.pdf

1、光伏發(fā)電在減少環(huán)境污染、改善能源結構、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)模光伏電站并網會給電力系統(tǒng)的調度管理、電網安全運行帶來挑戰(zhàn)，總之，太陽輻照度的預測對于光伏發(fā)電功率預測以及光伏發(fā)電的規(guī)劃、運行與控制具有重要意義。
　　 目前國內外圍繞太陽輻照度短期預測的研究方法主要包括回歸分析、時間序列和

2、神經網絡等，其中神經網絡預測模型相對于其它方法有較好的預測結果。本文對如何提高輻照度神經網絡短期預測模型性能和預測效果在輸入變量選取、模型結構優(yōu)化、預測輸出修正三個方面進行了研究。首先，對現(xiàn)有輻照度神經網絡短期預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)據序列，在類別上并未考慮其它與輻照度直接相關的因素，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的因素作為預測模型的輸入，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網絡模型預測結果，確定合理的輸入變量組合。其次，在確定模型輸入變量之后，神經網絡模型的結構就成為決定其預測性能的關鍵因素，為此，采用交叉驗證的方法對模型的結構和參數(shù)進行優(yōu)化，依據誤差指標確定神經網絡模型的隱層個數(shù)、隱層神經元數(shù)、傳輸函數(shù)、訓練函數(shù)等，完成了對其網絡結構的優(yōu)化。再次，在確定模型輸入變量和網絡

4、結構之后，考慮輻照度的時間周期性，利用歷史同期輻照度數(shù)據通過加權累加的方式，對短期預測模型的輸出進行修正，確定了預測模型輸出和修正數(shù)據各自合理的權重，并依據天氣類型給出修正數(shù)據的類型系數(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，最終獲得融合神經網絡模型輸出與時間周期性修正的預測結果。最后，采用某光伏電站實測數(shù)據，對神經網絡模型進行訓練，通過多種神經網絡模型預測結果的對比分析，驗證了本文方法的有效性與合理性。實測數(shù)據的預測結果