BP神经网络建立光伏发电预测模型 毕业论文.doc
《BP神经网络建立光伏发电预测模型 毕业论文.doc》由会员分享,可在线阅读,更多相关《BP神经网络建立光伏发电预测模型 毕业论文.doc(51页珍藏版)》请在三一文库上搜索。
1、 摘要 随着社会的不断发展,传统能源的大量消耗使人们在工业发展和日常生活中 面临关于不可再生能源耗尽和严重的环境污染等问题。太阳能作为一种优秀的可 再生能源而受到世界各国的重视并具有较大发展潜力。随着光伏发电系统容量的 不断扩大,准确地预测光伏系统未来几天的发电量对保证电网的稳定运行和大规 模光伏发电系统的发展有着重要义。而城市建筑屋顶作为城市中利用率较低的部 分,如果在闲置的屋顶上均安装太阳能光伏发电系统,对整个城市都将带来许多 利益。本文提出了一种利用气象信息和历史发电量来预测次日光伏发电量的模型, 整个模型采用非线性映射能力较强的 BP 神经网络来建立。原始数据由杭州电子 科技大学光伏发
2、电微网实验室提供,包括实验平台记录下的历史气象信息和对应 当天的光伏发电量。由于原始数据有限,本文采用模块化的思想,先将模型按季 节划分为春、夏、秋、冬四个子模型,再将每个季节模型按日气象类型划分为晴 天、云天和雨天三个子模型,共计十二个子模型。以 2010 年 10 月的发电数据和 气象数据为例,输入数据为预测前一日的光伏发电量和预测当日的温度和光照强 度,对建立的神经网络进行训练,并对训练好的模型进行了测试、预测及评估。 结果表明,预测模型的预测精度较高,对发电量的预测有较好的参考作用。最后 结合杭州电子科技大学,查阅下沙校区的建筑物屋顶面积,推广到校园建筑物所 有屋顶都安装上太阳能电池板
3、,预测每日总发电量。 关键词:光伏发电量预测 气象因子 BP 神经网络 模块化 ABSTRACT With the development of society, large consumption of traditional energy makes people face the problem of non-renewable energy depletion and serious environmental pollution in industrial development and daily life. As a predominant energy,solar energy
4、 has been paid attention to and will be a potential one new energy.With the increase of the capacity of PV system, forecast the generating capacity of PV systems in the next few days accurately has an important meaning to ensure the stable operation of electric grid and large-scale development of PV
5、 system. And the roof of citys construction is unemployed. if the PV system are installed on these idle roof, it will bring much benefits to the city. This paper presents a prediction of the PV system model using the historical meteorological information and historical generation, BP neural network
6、which has the ability of nonlinear mapping is used to establish the model. The original data is provided by photovoltaic micro-grid Laboratory of Hangzhou Dianzi University, which includes the historical meteorological information and the corresponding amount of the photovoltaic power generation. Be
7、cause the original data is limited, this paper modularize the project .According to the fact of the season ,the first model is divided into four sub-models which are named spring, summer, autumn and winter , and then divided each season into three sub-models named sunny day, cloudy day and the rainy
8、 day, these twelve sub models combines the project. Take the point data and meteorological data of October, 2010 as an example, the PV power generations which were measured on the day before the prediction and the temperature and the amount of PV power generations which were measured on the predicte
9、d day are the input data , the ANN will be trained, and the trained model will be tested and predicted, also the prediction will be estimated. The results show that the model has a high prediction accuracy, It has a good reference to the calculation of power generation. Finally, according to Hangzho
10、u Dianzi University, find the data of the roof area of Xiasha campuss buildings, extended to the case that all roof of the campus are installed with solar panels, predict total power generation capacity. Keywords: the forecasting of PV system meteorological factor BP neural network modularity 目 录 1.
11、绪论 .1 1.1 课题研究背景及意义 1 1.2 光伏发电系统发电量预测方法综述 2 1.2.1 原理预测法 2 1.2.2 统计预测方法 2 1.2.3 智能预测方法 3 1.2.4 不确定理论预测方法 5 1.3 国内外光伏发电量预测的研究动态 6 1.4 本文主要内容及章节安排 7 2.光伏发电系统概要 .9 2.1 太阳能电池发电原理 9 2.2 光伏发电系统的组成 .10 2.3 太阳能电池随环境变化的输出特性 .11 3.BP 神经网络基本原理 13 3.1 BP 神经网络的结构 14 3.2 BP 神经网络的学习算法 15 3.3 BP 神经网络的设计 17 3.4 BP 网络
12、的限制与不足 18 4.基于 BP 神经网络的光伏发电量预测模型设计 .20 4.1 影响光伏发电量的环境因素 .20 4.1.1 辐照强度对光伏系统发电功率的影响 .20 4.1.2 日气象类型对光伏系统发电功率的影响 .21 4.1.3 温度对光伏系统发电功率的影响 .23 4.1.4 季节对光伏阵列发电量的影响 .23 4.2 预测模型设计 .24 4.2.1 输入层节点的确定 .25 4.2.2 隐含层节点的确定 .25 4.2.3 输出层节点的确定 .26 4.2.4 预测模型的训练与评估 .26 4.3 预测结果分析 .28 4.3.1 晴天模型预测结果分析 .28 4.3.2 云
13、天模型预测结果分析 .31 4.3.3 雨天模型预测结果分析 .34 4.3.4 预测分析总结 .36 4.4 结合杭州电子科技大学全校实际可利用建筑楼屋顶面积进行评估 .37 5.结论 39 致谢 40 参考文献 41 附录 43 杭州电子科技大学本科毕业设计 1 1.绪论 1.1 课题研究背景及意义 随着现代化工业的飞速发展,环境污染和全球能源危机问题日益突出。传统 的能源燃料资源正随着工业发展的需求逐天减少,寻求一种清洁可再生能源迫在 眉睫。丰富的太阳辐射能量作为人们身边可利用的重要能源,是取之不尽、用之 不竭的,而且廉价、无污染。据预测,太阳能光伏发电在 21 世纪会在世界能源 消费中
14、占据重要的席位,不但要替代部分常规能源,而且也将成为世界能源供应 的主体。为了保证电力系统经济、安全和可靠性运行,光伏发电预测显得越来的 越迫切。然而,光伏系统的功率输出受不同天气状况的影响,具有不确定性和周期 性等特点。准确预测光伏系统输出功率对于保证电网的稳定性和推动大规模光伏 系统的发展具有重要的意义。在这一背景下,城市屋顶作为城市中利用率较低的 部分,可以通过安装光伏发电装置对闲置的屋顶进行充分利用,以创造更多的经 济效益和更好的社会效益。但城市屋顶光伏发电的预测模型尚没有得到很好的解 决。若能对不同气候、不同天气状态下每日的光伏发电量能进行较准确地预测, 对整个光伏产业的普及,对国家
15、带来的经济效益,对环境的保护都有十分重要的 作用。尤其是短期光伏发电预测预报,对于系统运行和生产费用具有非常重大的 影响。 大规模光伏发电是一种有效利用太阳能的方式,但光伏发电系统受光照强度 和环境温度等气候因素影响很大,然而气候因素是不稳定的,因此并网后功率变 化具有不确定性,光伏系统输出功率的扰动有可能影响电网的稳定,会使电力系 统的规划和运行与过去相比有更大的不确定性。因此,需要对光伏系统的发电功 率进行准确预测,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与 电网调度、电力负荷等的配合问题,这样有助于整个电力系统的规划和运行,从 而减少光伏发电随机性对电力系统的影响,提高系统的
16、安全稳定性。 城市屋顶是城市土地资源规划中利用率较低的一部分,通过在城市高楼的屋 顶安装光伏发电系统来有效利用建筑物屋顶和幕墙,具有以下优点: 1)无需占用宝贵的土地资源,有效提高城市土地面积利用率; 2)可在原地发电、用电,在一定距离范围内可节省电站送电网的投资,为 城市和个人带来一定的经济效益; 3)能有效地减少建筑能耗,实现建筑节能;光伏组件安装在建筑的屋顶及 幕墙的南立面上直接吸收太阳能,建筑集成光伏发电系统不仅提供了电力,而且 还降低了墙面及屋顶的温升; 杭州电子科技大学本科毕业设计 2 4)光伏屋顶对环境污染小,并且能够减排大量原本因火力发电而产生的CO 2 等温室气体,大规模发展
17、光伏发电可缓解全球变暖。 1.2 光伏发电系统发电量预测方法综述 经过长期的学习和研究,国内外现有的光伏发电量预测模型包括原理预测模 型、统计预测模型、智能预测模型和基于不确定理论的预测模型等 1。 1.2.1 原理预测法 原理预测法针对太阳能发电过程中在光电转换环节和逆变环节存在能量损失 的现象,建立经验公式和经验系数,预测光伏发电量,此方法的原理和计算都非 常简单,预测效果主要取决于光电转换效率模型、逆变效率模型和辐射预报的准 确性。 光伏组件输出瞬时功率(直流)为: )()(tAGtP (1) 式中,P(t)为极板输出功率(W);A为极板面积(m 2 );G(t)为斜面辐射(W/m 2
18、); S为光电转换效率,见表1 表 1 考虑不同要素的光电转换效率模型 模型 公式 说明 常系数效率模型 sS由电池厂商提供,和效 率与材料有关 单一负温度系数效 率模型 )25(1)(cscT为温度系数,与材料有关; TC为当前温度 温度和太阳总辐射 的两要素模型 )ln ,321GaGca1,a 2,a 3为经验参数,由 最小二乘法确定;G为太阳 总辐射量 温度、辐射、大气 质量三要素模型 )/(/ )(/,000ucmcAMAsTrqpTP,q,m ,r,s,u为经验参数,通过实际工况测试 得到;AM为大气质量 ; G0,T 0,AM 0取标准值 光伏系统直流发电量E dc为: 21)(
19、tdcPE (2) 式中,t 1,t2为日出、日没时间。 光伏系统交流发电量E ac为: dcacE (3) 式中,为逆变器转换效率。 原理预测法不适合对建筑集成光伏系统进行预测。 1.2.2 统计预测方法 杭州电子科技大学本科毕业设计 3 (1) 回归分析法 回归预测法把光伏发电历史数据作为自变量,光伏发电量预测值作为因变量, 将二者的关系量化成为相关系数,建立回归方程,完成预测。光伏发电系统中辐 射量和温度对光伏组件输出功率影响最大,建立多元线性回归模型。 光伏阵列最大输出功率为: TPscomKFIUIP (4) 式中,K TP为使出功率与温度间的关系权值; UOC,I SC,FF 分别
20、表示电池的 开路电压、短路电流和填充因子,均可由辐射强度、温度和其它已知参数表示。 式(4)可化简为回归方程一般形式: mmxaxaP21 (5) 式中,预报因子x i为关于温度和辐射强度的未知数,方程待定系数 (a1, a2, , am) 由历史数据经最小二乘法估算得到。 多元线性回归具有模型简单、运算速度快的优点,但对天气因素(晴天、阴 天、下雨等)的变化拟合不好,为提高预测精度,可建立不同天气类型下的线性 回归方程。根据对全年逐时、全年逐日、季节逐日、典型月逐日多元线性预报方 程预测结果的分析,回归分析法在季节逐日预测时具有最好的预测精度。 (2) 时间序列分析法 时间序列分析法就是将光
21、伏发电量历史数据按时间顺序排列成时变的统计序 列,建立随时间变化的变化模型,并将模型外推进行预测。时间序列的自回归 滑动平均模型(ARMA)是系统对过去自身状态和系统噪声的记忆。由(6)式可见, 时间序列在某时刻的值可以用p个历史观测值的线性组合加上一个噪声序列的q项 滑动平均来表示,简记为ARMA(p,q)。 piqjjtitt bXa10 (6) 未来发电量时间序列值X t是发电量误差 t和先前发电量序列X t i的线性组合。( a1,a 2,a p) 为自回归系数,( b 1,b 2,b q) 为移动平均系数。 光伏发电量时间序列存在非平稳部分,只有将其转化为均值为零的平稳随机 序列才能
22、用于预测。ARMA 模型一般用于短期预测,影响发电量的因素不发生 突变时预测效果较好。对不同天气类型可以分别构建预测方程,以提高预测精。 时间序列法、回归分析法计算量小,速度快,但难以反映负荷与气象等变量 之间动态、非线性的关系,对复杂多变的光伏发电系统预测效果较差。 1.2.3 智能预测方法 (1) 神经网络 杭州电子科技大学本科毕业设计 4 1987 年Lapeds 和Farber 首先将人工神经网络应用到预测领域。 预测时首 先要选取输入、输出变量的历史数据对神经网络进行训练,确定合适的连接权系 数和阈值,实现对历史数据的拟合,再由新输入数据对发电功率进行预测。在神 经网络模型的输入节点
23、中增加影响发电量的气象因素可增加神经网络模型预测的 准确性。 三层BP 神经网络结构如图 1.1所示 图 1.1 神经网络结构图 除输入节点的选择外,神经网络的结构、样本的选取及数据的处理方法等因 素也对预测结果的精度有很大影响。除反向传播(back propagation,BP)神经网络 外,前馈神经网络、径向基函数神经网络和递归神经网络也可用于预测光伏发电 功率。 目前出现了一些改进型的神经网络预测模型。神经网络误差修正模型应用马 尔可夫方法建立误差状态转移矩阵,对BP神经网络预测结果进行修正。双神经网 络的预测模型应用自组织特征映射模型( Self-organizing map,SOM)
24、,根据云量预 报信息对气象类型聚类识别,再根据识别的天气类型选用相应的BP 神经网络进 行预测,克服了BP神经网络无法应对天气突变的缺点。引入可变学习率和增加动 量项的BP神经网络,可提高网络收敛速度。采用混沌自适应粒子群优化算法初始 化神经网络权值和阈值的算法,可提高神经网络的泛化能力、收敛速度和预测精 度。 (2) 支持向量机 1995 年Vapnik提出支持向量机(supportvector machine,SVM)方法,在统计 学习理论的基础上首次提出一种处理非线性分类和回归问题的新颖的机器学习方 法。SVM 将低维样本空间高度非线性的光伏发电过程映射到高维的特征空间,将 非线性问题转
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- BP神经网络建立光伏发电预测模型 毕业论文 BP 神经网络 建立 发电 预测 模型
链接地址:https://www.31doc.com/p-366945.html