基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

作者:杨超颖;王金浩;王硕;徐永海;黄浩 刊名:中国电力 上传者:朱飞选

【摘要】光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究。为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型。以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势。此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高。

全文阅读

0引言由于传统能源资源的日益枯竭和环境保护的要求,环保、灵活的光伏发电已经被世界各国所重视[1-6]。但是光伏发电系统的输出受到太阳辐照强度和天气因素的影响,其发电量是一个非平稳的随机变量,会对电网造成冲击。因此,需要加强光伏发电功率预测的研究,预先获得光伏发电系统的日发电量曲线,以便制定合理的发电计划,减少光伏发电的随机性对电力系统的影响。目前国内外关于光伏发电功率预测的方法主要分为数学统计方法和机器学习方法[4-8]。在这些方法中,人工神经网络法是最引人关注的方法,也是近10年来研究和使用最多的一种方法[9-12]。文献[10]根据历史功率和温度数据,建立简单日模型预测光伏电站的输出功率;由于没有全面考虑有效的气象因素对光伏电站出力的影响,预测结果在多种气象条件下的适应性还有待检验。文献[11]选取有效的气象因素作为输入建立预测模型,预测准确度较高,文中采用自组织神经网络(SOM)方法对天气类型进行分类,其依据是气象学中的总云量,但该信息无法从常规天气预报信息中获得。文献[12]提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型,针对BP算法的缺陷,利用附加动量和可变速率相结合的方法进行改进,以提高预测精度。但所采用的神经网络方法存在对小信号的处理能力不足的缺陷,使得对光伏电站早晚时刻点以及辐照度较低情况下的预测精度较低。为此,本文考虑从2个方面对神经网络进行改进,其一是训练方法的选择,选择能够较好地处理复杂问题的拟牛顿算法;其二对神经网络结构进行改进,采用具有良好局部显微特性、能够很好地处理小信号的小波与神经网络相结合构成的小波神经网络建立预测模型。目前小波神经网络预测方法已经在交通流量、电力系统负荷、风速以及太阳辐照强度预测等方面得到了应用[13-14],但尚未直接用于对光伏发电系统功率的预测。本文采用拟牛顿法小波神经网络对光伏电站进行功率预测,并建立4个季度的预测模型。对实际工程数据的分析,以及不同模型预测结果的对比,验证了所提出的拟牛顿法小波神经网络预测模型的准确性和简便性。1小波神经网络的学习算法1.1小波神经网络小波神经网络是以普通神经网络结构为基础,把小波基函数作为神经元的非线性函数,同时采用误差反向传播修改小波函数参数的方法构成的神经网络。小波神经网络结合了小波变换良好的局部显微特性及神经网络的自学习功能,因而具有较强的逼近能力和容错能力。具体的学习算法如图1所示。设输入量为x,输入神经元有r个,隐含层内有s1个神经元,激活函数为f1,输出层内有s2个神经元,对应的激活函数为f2,输出为a。ij、jp、pi分别是输入层和隐含层节点、隐含层和输出层节点、输出层和输入层节点之间的连接权值。隐含层中第i个神经元的输出为a1i=f1rj=1ijxj+b1igi(i=1,2,…,s1)(1)输出层第p个神经元的输出为a2p=f2s1j=1jpa1i+b2p(p=1,2,…,s2)(2)误差反向传播中所用的误差函数是E=1qq1s2m=1(ym-a2m)2姨(3)式中:q为学习样本个数;gi为小波基函数的伸缩因子,此时的f1是小波基函数,bi表示第i个神经元阈值。本文中采用的具有较高相似性和正则性的Morlet母小波基函数表达式为y(t)=cos(1.75t)exp(-0.5t2)(4)由于光伏发电系统输出功率为大于零的数值,输出层神经元激活函数f2采用S型对数函数logsig,该函数的表达式为f(n)=11+e-n。小波神经网络权值参数的修正算法类似于BP神经网络,采用标准梯度下降法,具体过程如下面所述。1.1.1输出层的

参考文献

引证文献

问答

我要提问