基于改进MNN光伏发电功率预测模型

作者:王大虎;贾倩;林红阳; 刊名:电子设计工程 上传者:王桂荣

【摘要】针对光伏发电的不确定性导致频率波动和电力系统不稳定带来的不利影响,本文采用改进模块化神经网络(MNN)对光伏发电功率进行预测,即利用回声状态网络代替MNN中原训练子模块模型。首先按季节输入历史数据;再经任务分解模块将数据分为不同天气类型的子数据,与预测日及预测日前一日的平均温度作为子模型输入样本;利用回声状态网络作为预测子模型,对相应输入样本训练与发电功率预测;最后经整合输出模块输出预测结果。结果表明,此方法较本文选用的其他方法预测精度提高28%以上。

全文阅读

清洁、可再生能源的发展受到世界各国高度重视,太阳能光伏发电是环境友好型,具有可持续发展性[1],无需生产成本和维护成本最小,进而得到迅速发展。但受太阳辐射强度和气象等不确定因素影响,光伏发电系统的发电功率具有不确定性和间接性[2-3],导致电力系统的频率波动和不稳定性,使其在并网运行后对电网产生周期性冲击,给电力系统安全、稳定、经济的运行带来巨大挑战[4-5]。准确预测光伏发电系统发电功率对电力系统及时调整调度计划,合理安排电网运行方式具有重要意义。文献[7]提出相似日与ELM相结合,利用相似日评价函数从历史发电数据中选取相似日数据,结合预测日天气因素,再采用ELM预测光伏发电功率;文献[8]采用EMD与ELM结合功率预测方法,利用EMD将非平稳功率时间序列分解为不同特征尺度的平稳分量IMFs,再利用ELM对每个IMF建立不同的预测模型,最后对ELM预测的各分量值求和得出结果;文献[9]利用光伏发电站的历史数据和气象数据为ESN预测模型提供训练样本,形成训练网络后进行光伏发电功率预测;文献[10]通过负荷分量提取方法将光伏出力的波动分量分离,再根据历史数据波动相似性和环境相似性进行AP聚类分析建立波动模型,最后通过ESN方程对光伏发电功率进行预测。以上方法在不同程度上提高了光伏发电功率的预测精度。本文提出一种改进模块化神经网络模型对光伏发电功率进行预测,该模型通过对模块化神经网络按季节分类建立模型;然后按天气类型将历史发电功率数据进行划分为晴、雨、多云、阴,并一同与当日和前一日的平均气温作为子模型输入样本;再通过回声状态网络对每个子模块进行训练和预测;最后通过整合输出预测值。1光伏发电功率的影响因素光伏发电是通过半导体材料的光生伏打效应将太阳能转化为直流电而产生的。影响光伏发电系统输出功率的因素有很多,有太阳辐射强度、太阳能电池板安装角度,电池组件转换效率,气象因素等。考虑到预测模型的可用性和准确性,不能将以上影响因素均作为变量进行输入。由光伏输出功率表达式(1)可知,太阳辐射强度和温度是影响光伏发电系统的主要因素,且在一定范围内与输出功率成正比。Ps=ηSI[1-0.005(t)]0+25(1)式中:Ps为单位面积的光伏系统输出功率(k W);η为光伏电源的转换效率;S为光伏电源的面积()m2;I为太阳辐射强度()k W*m-2;t0为环境温度(℃)。本文以福建省某光伏发电系统提供的历史输出功率数据为研究对象,其总容量为30 MW。选取时段在7:00~19:00中每15 min的输出功率历史数据,相应气象信息来源于中国天气网站。1.1光伏发电功率的季节性影响地球的自转与公转,使太阳光与地面夹角发生变化,致使同一地方不同时间获得太阳热量不同,从而产生季节性变化。季节性的变化使太阳辐照强度存在差异,且四季的温差较大,进而导致光伏发电功率具有季节性变化。图1为各季节发电总量与平均气温关系图,表1为季节与气温信息表。由图1可知,光伏发电功率随季节的变化而发生变化。其主要原因是不同季节太阳辐射强度不同,导致气温存在差异,进而影响光伏发电功率的大小。通常情况下光照强度越强,温度越高,光伏发电功率也越大。因此,本文将光伏发电功率的历史数据按季节性进行划分。图1季节发电总量与平均气温关系图表1季节与气温信息季节春季夏季秋季冬季季最高气温/℃28353117季最低气温/℃1122126季平均气温/℃202922121.2光伏发电功率的天气类型影响天气类型的变化使太阳辐射强度存在显著差异,进而对光伏发电系统输出功率的影响十分明显。图2为不同天气类型下光伏发电功率曲

参考文献

引证文献

问答

我要提问