基于改进的BP神经网络的光伏组件发电量预测模型设计

作者:杨柳宁;孙以泽;孟婥;彭乐乐 刊名:水电能源科学 上传者:赵瑛

【摘要】针对光伏并网发电系统发电量的不稳定性对电网的冲击和污染,分析了光伏发电的影响因素,建立了基于改进的BP神经网络的发电量预测模型。该模型采用Fletcher-Reeves共轭梯度算法,克服了传统BP神经网络算法收敛较慢的缺点,在保持训练过程稳定的前提下,具有更快的学习速率。结合光伏发电的历史数据和当天天气情况,对该模型进行训练、测试和评估,并应用于光伏系统发电量的预测中。结果表明,该模型具有较高的精度,提高了光伏并网发电的安全和稳定性。

全文阅读

第31卷第9期2 0 1 3年9月 水 电 能 源 科 学Water Resources and Power Vol.31No.9Sep.2 0 1 3 文章编号:1000-7709(2013)09-0243-04 基于改进的BP神经网络的光伏组件发电量预测模型设计 杨柳宁,孙以泽,孟 婥,彭乐乐 (东华大学 机械工程学院,上海201620) 摘要:针对光伏并网发电系统发电量的不稳定性对电网的冲击和污染,分析了光伏发电的影响因素,建立了基于改进的BP神经网络的发电量预测模型。该模型采用 Fletcher-Reeves共轭梯度算法,克服了传统 BP神经网络算法收敛较慢的缺点,在保持训练过程稳定的前提下,具有更快的学习速率。结合光伏发电的历史数据和当天天气情况,对该模型进行训练、测试和评估,并应用于光伏系统发电量的预测中。结果表明,该模型具有较高的精度,提高了光伏并网发电的安全和稳定性。 关键词:发电量预测;光伏系统;BP神经网络;Fletcher-Reeves共轭梯度算法中图分类号:TM615 文献标志码:A 收稿日期:2012-12-29,修回日期:2013-02-25 基金项目:中央高校基本科研业务费专项资金资助重点项目(11D10301);金太阳示范工程基金资助项目 作者简介:杨柳宁(1985-),男,硕士研究生,研究方向为光伏逆变器并网控制技术, E-mail: yln319@163.com 通讯作者:孙以泽(1958-),男,教授、博导,研究方向为太阳能光伏系统集成与逆变技术, E-mail:sunyz@dhu.edu.cn   光伏发电系统[ 1~4]输出的变化是一个非线性的随机过程,同时由于各用户使用的光伏电池种类、容量及安装位置的随机性很大,因此光伏发电系统相对于整体电网是一个不可控源,发电的随机性会对大电网造成巨大的冲击,给电网可靠、稳定运行带来诸多问题[ 5]。对光伏系统的输出进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合,适时及时地调整调度计划,合理安排电网运行方式[ 6],既能有效地减轻光伏接入对电网的不利影响,又能降低电力系统的备用容量和运行成本。但目前对光伏系统发电量预测技术的研究不多,这也是光伏系统不能大规模应用的原因之一。对此,本文建立了基于改进的BP神经网络的光伏系统发电量预测模型,并根据历史发电数据和当天天气情况对未来的发电量进行了预测。 1 光伏发电影响因素分析 光伏组件发电预测从预测方式上可分为直接预测和间接预测。直接预测是根据发电量的历史数据直接对光伏电站的输出进行预测;间接预测首先对地表辐射强度和温度进行预测,然后根据光伏电站功率模型得到光伏电站的输出功率。光伏发电直接预测方法较间接预测方法准确性更 高。光伏系统发电随时间和环境的变化具有明显的间断性和波动性,需要考虑的因素很多,如日类型、太阳入射角度、太阳辐射强度、温度、转换效率、风速等[ 7~9]。对于既定的光伏组件来说,光伏组件发电量时间序列自身具有高度自相关性。而对于同一个光伏系统所采集的历史数据来说,数据自身就包含有光伏组件的信息,如安装角度、安装位置和转换效率等影响因素。且日类型、光照强度和温度等因素的随机性很大,需重点考虑。 1.1 日类型对光伏系统发电的影响 光伏系统发电具有很强的周期性,本文所选样本数据源于上海市松江区,其经度为121.2114°E,大约在7:00~18:00时间内有输出功率。图1为同一光伏系统分别在晴天、阴天和雨天各时间点的发电功率,各时间点取时间段内的平均值,以减小云层遮挡等偶然性因素影响。由图 1 可

参考文献

引证文献

问答

我要提问