一种大型并网光伏电站短期功率预测模型研究与仿真

作者:王留送;谢红伟;苏战辉;郑鹏飞; 刊名:电子设计工程 上传者:刘凯凤

【摘要】为了满足电网对光伏电站功率预测数据准确度的要求,利用相似日理论对历史数据进行筛选,通过自适应差分BP神经网络对功率预测系统进行建模,选择新疆某光伏电站在晴天、阴天、风沙天气条件下的实际运行数据进行验证,实验结果表明,本文建立的光伏电站短期功率预测模型的预测精度符合新疆调度考核要求,适用于在工程上推广应用.

全文阅读

光伏电站短期功率预测是指对未来3天的发电功率做出评估,是制定输配电方案的主要依据。对大型地面光伏电站短期功率进行预测,一方面可以提高电网稳定性、增加电网消纳光电能力;另一方面帮助光伏电站减少由于限电带来的经济损失,提高光伏电站运营管理效率[1-3]。发电功率预测作用的大小主要取决于可靠的历史数据信息以及预测方法,历史数据信息来自天气预报数据和实际光伏电站的监控数据,基本上可以保证数据信息的可靠性。因此,研究发电功率预测理论与方法是目前如何提高预测精度的最有效的工作[4]。文中根据河南许继集团有限公司在新疆和田波波娜20MW光伏电站综自系统数据库的历史数据和数值天气预报数据对光伏阵列的输出特性进行分析,考虑到BP算法收敛速度慢、容易陷入局部极值等缺陷,文中利用自适应差分优化算法进行优化BP神经网络的阀值权重,由此建立基于自适应差分优化BP神经网络模型,运用数值天气预报和历史发电功率数据进行网络模型训练,并对训练后的模型进行功率预测测试和误差分析。1自适应差分进化算法1.1基本差分进化算法差分进化(DE)算法由Price和Storn于1995年共同提出,是一种随机的直接寻优算法,它采用实数向量编码,在连续空间中搜寻最优解。DE包括3个步骤:变异、交叉、选择。DE的核心思想是产生一个试验向量。变异和交叉操作就是用来产生这个新向量(即试验向量)。本文采用的具体算法如下:1)初始化:设置维数粒子为C,变异常数为E,粒子个数为N,交叉概率为DF,在解空间随机初始化种群。X0=[X01,X02,…,X0C](1)2)变异:对于每个目标向量Xi,G,变异向量为:Xi,G+1=Xr1,G+F(Xr2,G-Xr3,G)(2)r1r2r3i式中为随机产生的互不相同的整数,变异因子F是一个实常数,范围是[0,2],它控制差分向量缩放程度,G表示代索引。3)交叉:为了增加种群的多样性,对于变异向量Xi,G+1和种群中的目标向量Xi,G由下面的方案进行混合,然后产生试验向量:Ui,G+1=(Ui1,G+1,Ui2,G+1,Ui3,G+1,…,Uin,G+1),通过公式(3)可看出其操作过程,Uij,G+1=Vij,G+1if(randb(j)DF)or(j=q(i))Vij,G+1if(randb(j)>DF)and(jq(i))(3)其中,randb(j)为[0,1]之间的均匀分布概率,j=(1,2,…,n);DF为(0,1)区间上的交叉概率;q(i)为[1,n]之间生成的随机整数。4)选择:差分进化算法中利用贪婪策略进行选择,将Xi,G与Ui,G+1比较,若前者的适应度优于后者,则在第G+1代中用Ui,G+1取代Xi,G,否则,Xi,G被保留到下一代。具体过程如式(4)所示:Xi,G+1=Ui,G+1,f(Ui,G+1)f(Xij,G)(5)公式中:DFmax为交叉概率最大值,DFmin为交叉概率最小值。为了加快收敛速度,在每一代寻优中,若生成的新种群中最优个体的适应度优于当代,则更新种群中的最优个体,否则,用新种群中的最优个体取代最差个体[9-11]。2光伏发电系统短期功率预测模型设计2.1光伏系统的功率特性光伏发电功率主要受太阳辐照强度,温度,风速等环境因素影响,在不考虑光伏阵列安装位置的前提下,季节变化和天气类型对光伏系统的输出功率影响很大。使用新疆和田光伏电站的数据分析光伏系统的功率特性。图1是连续3日光伏发电功率、日照强度和温度的对比曲线,可以看出三者之间存在很强的相关性;图2是连续3日同种天气类型下的光伏发电功率曲线,可以看出光伏出力具有周期性[12]。图3

参考文献

引证文献

问答

我要提问