光伏发电短期功率预测模型与电站监控系统设计

作者:林嵩 刊名:山东农业大学学报(自然科学版) 上传者:王秀红

【摘要】目前大规模光伏并网发电系统的输出功率波动大、随机性强,为准确预测光伏电站的输出功率以解决大规模光伏并网发电给电网造成的调峰、调度等难题。通过开发能实时监测环境辐照强度、温度、湿度、风向、风速等环境参数的低成本小型气象站和光伏电站监控系统来监测光伏电站的运行状况和采集气象与电站输出功率的数据,并应用于气象条件聚类识别和小波神经网络光伏发电系统短期发电功率预测模型上,以实现大规模光伏并网发电系统输出功率的精确预测,对大规模光伏并网发电系统的推广应用具有重要意义。

全文阅读

近年来光伏发电技术较为发达的国家,已经开发出了用于光伏发电系统输出功率预测的系统[1-3]。日本Ryukyus大学通过递归神经网络和前馈神经网络对太阳辐照强度进行预测,然后利用发电功率与辐照强度的函数关系得到输出功率,预测结果较为准确。德国Oldenburg大学通过将天气预报数据与多个光伏电站的历史发电功率相结合建立了功率预测模型也取得了较好效果。而我国太阳辐照观测点数量较少且尚无太阳辐照预报业务,所以在光伏发电系统输出功率预测方面尚无较有效的预测模型[4,5]。针对上述问题,在研究了基于小波神经网络的光伏发电系统短期发电功率预测模型和基于气象条件聚类识别的光伏发电系统短期发电功率预测模型的基础上,提出了将二者结合的基于气象条件聚类识别和小波神经网络的光伏发电系统短期发电功率预测模型,提高了预测的精确度。1预测模型研究与监控系统实现1.1基于小波神经网络的预测模型研究本文采用的小波神经网络[6,7]以常用的BP神经网络拓扑结构作为其网络结构,隐含层节点的传递函数采用小波基函数,网络中信号前向传播的同时误差向后传播。网络预测模型的训练样本为该电站半年的历史功率数据,功率采集点间隔为15 min,然后用完成训练的小波神经网络模型预测该电站第5 d的输出功率,预测模型的输入数据为预测日前4 d的早5:30到18:00的各时刻的输出功率Mi(t-1)、Mi(t-2)、Mi(t-3)、Mi(t-4),模型的输出数据为预测日各时刻的输出功率,网络拓扑结构如图1所示。在小波神经网络拓扑结构中,Mi(t-1)、Mi(t-2)、Mi(t-3)和Mi(t-4)为网络的输入参数,Mi(t)为网络的输出参数,ωij表示输出层与隐含层的连接权值,ωik表示隐含层与输出层的连接权值,h(j)表示隐图1小波神经网络拓扑结构图2光伏系统短期发电功率预测基本结构Fig.1 Topological structure of wavelet neural network Fig.2 The basic architecture of short-term power predictionfor the photovoltaic system含层第j个节点的输出值,y(k)表示输出层第k个节点的输出值,bj表示小波基函数hj的平移因子,aj表示小波基函数hj的伸缩因子,hj表示Morlet母小波基函数。以序列Xi代表输入参数,则隐含层第j各节点的输出值和输出层第k个节点的输出值如式1、式2所示:1()kij i jijjx bh j ha?????????????????(1)61()()jkjy k?h j???(2)1.2气象条件聚类识别的预测模型不同的气象条件会对光伏系统的发电功率产生显著的影响,为了提高预测模型的准确度,需对不同的气象条件进行聚类,然后在此基础上建立预测模型。首先根据不同季节将气象条件历史数据进行预分类,然后采用SOM网络在预分类中按照辐照强度、温度、湿度、风向、风速五个方面进行聚类,选出与待预测日气象条件相似的历史数据,作为建立预测模型用的训练样本。最后利用聚类后的相似样本建立预测模型,以与预测日气象条件相似的预测输出功率作为输入,预测日的实际输出功率作为输出,经过训练后得到光伏发电功率短期预测模型,其基本架构如图2所示。1.3小型气象站设计本文所设计的小型气象站,能实时掌握光伏电站所处环境的辐照强度、温度、湿度、风向、风速等环境因素。在系统的硬件设计中,选用SM3560M型号的辐照强度传感器测量环境的辐照强度,选用SHT11型号的温湿度传感器测量环境的温度、

参考文献

引证文献

问答

我要提问