本站小編為你精心準備了誤差修正的光伏發(fā)電預(yù)測分析參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要:

為了提高光伏發(fā)電預(yù)測的精度，在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，利用相似日算法和馬爾科夫鏈理論對預(yù)測模型進行改進。其方法以得到的相似日數(shù)據(jù)作為預(yù)測模型的輸入量，通過BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到初步的預(yù)測值，然后根據(jù)馬爾科夫鏈模型得到的誤差狀態(tài)轉(zhuǎn)移概率矩陣對預(yù)測誤差進行修正，根據(jù)修正后的誤差得到新的預(yù)測值。最后通過與傳統(tǒng)算法得到的預(yù)測結(jié)果進行誤差對比分析，結(jié)果表明，改進算法的預(yù)測精度高于傳統(tǒng)算法，驗證了該模型的有效性。

關(guān)鍵詞:

光伏發(fā)電;相似日算法;BP神經(jīng)網(wǎng)絡(luò);馬爾科夫鏈

隨著能源和環(huán)境問題的日益突顯，光伏太陽能作為一種重要的清潔可再生能源發(fā)電形式，越來越受到世界各國的關(guān)注［1-2］。由于受到環(huán)境和氣象因素的影響，光伏發(fā)電功率具有一定的波動性和隨機性，因此，影響電力系統(tǒng)的安全、穩(wěn)定運行。對光伏發(fā)電系統(tǒng)發(fā)電量進行預(yù)測研究，可以預(yù)先得到發(fā)電量曲線，協(xié)調(diào)調(diào)度部門安排常規(guī)機組出力，并可以根據(jù)預(yù)測結(jié)果進行光伏出力平滑控制，從而減小大規(guī)模光伏系統(tǒng)的接入對電網(wǎng)造成的影響［3-5］。光伏發(fā)電量預(yù)測分為直接預(yù)測和間接預(yù)測兩種［6-7］。目前多采用歷史氣象和發(fā)電數(shù)據(jù)進行預(yù)測的直接法(統(tǒng)計法)，其中基于神經(jīng)網(wǎng)絡(luò)的光伏預(yù)測方法研究較為普遍［8-9］。其中文獻［8］提出了一種結(jié)合歷史數(shù)據(jù)和天氣預(yù)報信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。文獻［9］對不同的天氣狀況做出了劃分，利用不同的天氣狀況子模型進行預(yù)測。由于相同的天氣類型條件下光伏發(fā)電功率有著很好的相似性，文獻［10］提出了相似日的選取方法。在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，采用相似日算法篩選出與預(yù)測日特征更為相似的歷史數(shù)據(jù)作為模型輸入，提高了預(yù)測結(jié)果的精度?？紤]到光伏發(fā)電受到環(huán)境因素的影響會產(chǎn)生較大波動，為了進一步減小預(yù)測誤差，在文獻［10］的基礎(chǔ)上，本文提出一種基于馬爾科夫鏈修正的預(yù)測模型，利用本模型適應(yīng)性強的特點，通過其狀態(tài)轉(zhuǎn)移概率矩陣對基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)的誤差修正，得到新的預(yù)測值，從而提高預(yù)測的準確性。

1相似日算法

1．1不同日類型的光伏出力影響光伏發(fā)電的因素有很多，其中最主要的是太陽輻照度和溫度。太陽輻照度越大，光伏發(fā)電功率也越大。溫度對光伏發(fā)電的影響體現(xiàn)在隨著溫度的變化太陽能電池的性能也跟著變化，從而影響光伏發(fā)電功率的變化。日類型可以分為晴天、多云、雨天三類。同一季節(jié)的不同日類型某光伏電站的發(fā)電量如圖1～3所示。從圖1～3可以看出，不同的天氣類型對光伏電站效率有很大影響。

1．2相似度計算日相似度是指兩日中各個氣象因素的相似程度。其中氣象差異主要體現(xiàn)在太陽輻照度、最高溫度、平均溫度、最低溫度、降雨量等氣象因素。在日相似度高的兩天光伏電站的輸出功率曲線有很好的相似性［11］。因此，根據(jù)相似日的歷史氣象和發(fā)電數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以比傳統(tǒng)的方法更好預(yù)測出待預(yù)測日的光伏功率輸出。由于氣象部門提供的信息中缺乏太陽輻照強度，可以采用天氣類型反映太陽輻照度，并根據(jù)Chen提出的方法對天氣類型進行分級量化［12］。通過分析選取太陽輻照度(天氣類型量化值)、最高溫度、最低溫度作為光伏陣列輸出功率的主要氣象因素。然后通過灰色關(guān)聯(lián)分析法利用氣象因素構(gòu)成日特征向量計算相似度因子，選取相似度高的歷史日作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入樣本。

2基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)

2．1BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，由于其具有很強的非線性映射能力、自適應(yīng)能力和實用性而被廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)包含輸入、隱含和輸出三層網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。網(wǎng)絡(luò)的上、下層之間是全連接，而各層的神經(jīng)元之間彼此沒有連接。wij是輸入層與隱含層節(jié)點與節(jié)點間連接的權(quán)值，wjk是隱含層和輸出層神經(jīng)元節(jié)點與節(jié)點間連接的權(quán)值，隱含層和輸出層的輸入分別為輸入層和隱含層節(jié)點的輸出的加權(quán)和。一般選取常用的S型函數(shù)作為傳遞函數(shù)來限制各個節(jié)點的輸出。若采用某一固定樣本的輸入XP和輸出dPk對網(wǎng)絡(luò)進行訓(xùn)練。

2．2基于相似日的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型文獻［8］所采用的BP神經(jīng)網(wǎng)絡(luò)模型的輸入量采用的是預(yù)測日前一天的發(fā)電數(shù)據(jù)，本文在相似日算法基礎(chǔ)上，使用相似日數(shù)據(jù)和預(yù)測日氣象特征量作為輸入層節(jié)點的輸入量從而提高訓(xùn)練的效果。輸入層節(jié)點對應(yīng)輸入變量，選取相似日6:00到19:00的14個時間序列的發(fā)電量，以及相似日和預(yù)測日的氣溫和日類型共18個量。

3馬爾科夫鏈誤差修正模型

3．1馬爾科夫模型馬爾科夫鏈預(yù)測是通過初始狀態(tài)概率向量和狀態(tài)概率轉(zhuǎn)移矩陣預(yù)測變量在將來某時刻所處狀態(tài)的預(yù)測方法，馬爾科夫過程是其理論基礎(chǔ)。馬爾科夫過程是隨機時間序列動態(tài)變化的一個過程。

3．2基于馬爾科夫鏈修正的預(yù)測算法流程通過相似日算法選取的相似日作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，從而優(yōu)化了傳統(tǒng)BP神經(jīng)模型訓(xùn)練樣本，然后通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到基于相似日的BP神經(jīng)網(wǎng)絡(luò)預(yù)測值。根據(jù)此預(yù)測值利用馬爾科夫鏈模型對預(yù)測誤差進行修正，通過狀態(tài)轉(zhuǎn)移矩陣得到修正誤差，然后利用修正誤差得到修正后的光伏發(fā)電預(yù)測量。改進預(yù)測模型算法流程如圖6所示。

4實例分析

根據(jù)上述改進預(yù)測模型，以某地光伏發(fā)電站的歷史氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)進行仿真計算。為了驗證算法的可行性，以2013年7月11日的預(yù)測數(shù)據(jù)和實際數(shù)據(jù)為例分析。采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)和本文改進模型的實測和相對誤差結(jié)果對比如表1和圖7所示。

5結(jié)論

(1)利用馬爾科夫鏈誤差修正模型，通過狀態(tài)轉(zhuǎn)移矩陣的修正使得預(yù)測誤差有了進一步降低。(2)由于受到天氣不確定因素的影響，通過對比三種算法相對誤差分析可知，在19:00的預(yù)測誤差都比較大，可能是出現(xiàn)天氣突變或者其他因素的影響，但改進模型的平均絕度百分比誤差僅為5．93，滿足工程實際需要，在工程應(yīng)用中具有一定的可行性。

作者：段俊東 薛靜杰 栗維冰 單位：河南理工大學 電氣工程與自動化學院