英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

短期光伏发电预测利用RBF神经网络

摘要

短期光伏发电预测对电力系统和能源管理系统（环境管理体系）有重要意义。在本文中，提出了基于RBF神经网络的光伏发电功率短期预测模型，可以做到未来24小时光伏发电系统功率预测。在充分考虑了系统的位置、环境和内部性能的因素的情况下。一种结合机理模型新的预测策略，和调制参数是根据神经网络在线培训执行。实验结果证明，该模型可以显着降低预测功率和实际功率之间的偏差，而且可以实现快速准确的预测，即使数量的数量也很小。

关键词：光伏发电，预测，神经网络，机理模型，在线训练

引言

光伏发电作为一种新型的无污染可再生能源发电，拥有最好的商业化前景。但由于可因素如环境、气候、并网发电是随机的。能源管理系统可以减少光伏发电的不利影响，平衡发电、存储系统和负载，其中的预测是关键技术[ 1 ]。

近日，一直专注于预测模型，所建立的模型可以分为数据模型和机理模型[ 2 ]。的数据模型，如基于线性模型的假设，建立了AR模型、ARMA模型。通过分析系统的内部机理和发展变化的内在规律，对系统的变化进行了准确的描述。

由于光伏发电功率预测模型中各因素的变化是非线性的，传统的预测方法不能正确地建立模型。神经网络具有较强的非线性拟合能力，是一种对参数变化具有较强鲁棒性的分析方法。没有建立精确的模型，它可以得到精确的输出训练样本。此外，它是适合于建立模型，该模型的参数呈现非线性变化，如光伏发电预测。上述文章关于建立光伏发电基于光伏电站历史数据训练神经网络的性能预测模型，以气候、太阳辐射强度和太阳能电池板的倾角作为系统输入绩效的短期光伏发电效率的预测。文章在构建光伏发电预测模型[8-12]证明了神经网络的可行性和优越性。

但现有的RBF神经网络模型有一定的弊端，在以下三个方面：

方面1：缺乏对机制的分析。现有的模型把太阳辐射强度作为系统的输入直接[8-12]。而网络的权重是基于历史数据的训练，缺乏对光伏发电功率的分析机制，因此，当数据量小的模型的性能不能维持。

方面2：被认为是不完整的因素。现有的文章认为气候，太阳辐射强度和温度，但忽略了精细的特殊物质的增长量。此外，风电的实时变化已成为光伏发电预测中不可忽视的重要因素。

方面3：预测方法不合理。在昨天的数据用于传统RBF预测方法由于天气输入。输出功率为今天的发电功率，预测长度为24小时，但随着技术的发展，天气预报的长度也缩短了。如果预测的长度保持24小时，那么大量的天气信息可能被浪费和预测的准确性都不会增加。

此外还有方面4：:缺乏实时校正。在基于神经网络的光伏发电预测中，基于光伏发电厂的历史数据，对模型的输入和输出进行权重修正。因此，预测模型的自适应能力较差。

以微电网光伏发电项目为平台，充分考虑气候、太阳辐射强度、风和机制和数据分析的pm2.5结合，优化模型参数和预测方法，优化的RBF神经网络，提出了基于短期光伏发电预测模型。在这种方法中，准确预测光伏和快速自适应优化的参数，即使数据量是不足够的。

2，预测模型

2.1分析机理

在光伏发电功率的预测中，我们考虑的因素越多，我们可以建立的模型越精确，预测值与实际值之间的差异就越小。从位置的角度看，影响因素包括坐标、太阳位置、太阳入射角、光伏板的放置角度等。从环境的角度来看，影响因素包括温度、天气状况（晴天、阴天、下雨），空气透明度的可入肺颗粒物、风等。从电力系统非线性因素的角度，影响因素包括效率曲线等。由于光伏发电功率的影响因素是巨大的，作为输入的所有这些都将变得过于复杂。考虑这些因素之间的相关性，太阳辐射强度在某一时刻，在光伏发电站可以相当于位置，太阳的位置，云层覆盖系数，光伏板的角度和太阳入射角。和天气系数可以相当于季节，温度和雨季。通过对光伏发电功率因素的机理分析，将影响因素分为三类：位置、环境、系统本身，以及所有这些因素都是时变的。所建立的模型P  P ( x , y , z , t ) P_t ( x )* a _t ( y )*  _t ( z ) 其中对光伏发电功率、功率、功率、环境因子和系统自身因素分别为。P_t ( x)在正常天气条件下，受位置因子影响的时变光伏发电功率。a _t ( y )、 _t ( z )光伏发电功率随环境因素和系统自身因素的影响比例系数是时变的。

由于区位因素是不变的，我们可以建立光伏发电功率精确的时变模型的区位因素在选择太阳常数I，经度L，纬度F，相应的标准时间是经度Ls，平均海拔circ;H 受太阳辐射的ID的强度。P (x)=P(I , L, F, Ls, hcirc;, ID,t) ，太阳辐射的强度在每一个时刻都是随时间变化的。P (x)表示不同强度的太阳辐射强度。由于系统本身因素的影响到光伏发电的环境因素的影响是非线性的，精确的模型不能应用和数据的机制，建立常规分析。以区位因素的机理模型的输出作为光伏发电的主要因素，而环境因素和系统本身的因素为次要因素，RBF神经网络建立了光伏发电功率预测。

2.2建立RBF神经网络

RBF神经网络的基本要素包括输入层、隐含层（中间层）和输出层。RBF神经元模型如图1所示。

图1 RBF神经元模型

从图1，乘以向量距离的隐藏神经元C和输入向量x与B重心之间的差异，并以结果作为神经元的激活函数的输入，即

In_i  ( C X b_i)(C_jiX_j)²b_i3

In是神经激活函数的输入，X是指在对应的层中，C是一个系统的偏差，X是指的是欧氏范数的中心。b以高斯函数为径向基函数，神经元的输出

Out _i  exp( In_i ² )  exp( ( C X b_i)²)

^M 4

 exp( ( (C _ji X _j ) ² b_i ) ² )

输出了神经元的激活函数的输出。输出层中的神经元的输出和输入之间的关系可以表示为

在输出层中，表示输出层中的第三个神经元的输出，表示输出层中的第三个神经元与隐层中的神经元之间的连接权值。将该模型的输入为4组：等效功率随太阳辐射强度、天气的可入肺颗粒物系数，风压系数。太阳辐射强度随太阳辐射强度的不同而变化，在24个小时内分为24个小时

在间隔1小时，即在IN（1）在IN（24）（P（T 1）P（T（24）。天气divide the day 4份系数为：6：00- 9：00，9：00 -11：00，11：00 - 18：00和18：00 - 6：00

然后输入天气系数，即在IN（25）在IN（28）（U（1）U（4））。t PM2.5 IN（29）（M）。风把三种系数风下24小时的时间间隔8小时在输入，即在IN（30）在IN（32）（V（1）V（3））。因此，输入层的节点是32。模型的预测输出下一阶段的功率PV 24 小时并且间隔1小时。并且数目是输出层节点是24。（Y（1）-Y（24））。

启发式算法，即从隐藏层中的第一个节点，加入新的节点，直到训练误差小于一个一定的精度。在确定输入层节点数，隐层和输出层，一个基本的光伏发电功率预测模型，基于RBF神经网络可以建立拓扑。

图2基于RBF神经网络的光伏发电功率预测系统的拓扑结构

3优化模型

3.1优化预测方法

精度随距离的增加而减小，由于依赖于预测的天气条件和输入值和实际输入值之间的不可预知的偏差。因此为了提高精度，模型的预测时间是一小时。同时，可以减少错误的滚动预测。输入是每15分钟更新一次，所以滚动投入才能实现。通过获取来自T 1的输入值，T 24在每一个时间点T在这个方案中得到了未来24小时的输出，每一个时间点是可以预测的24倍和96的时间点是在一天的预测。所以预测值可以通过加权算术平均值来确定，在过去的5倍。在该方案中，可以减少偏差和容错能力。

3.2优化预测参数

并且通常通过离线训练RBF网络具有良好的训练数据或关闭数据响应能力。然而，没有代表性的训练，训练后的RBF网络将遭受严重的适应能力和条件不准确的预测没有足够的数据量。动态调制模型的策略和参数可以解决这些问题。所以在每个时间点的预测，预测值和实际发电记录到历史数据库。而且在一定时间内，通过预测值和实际值之间的差值来校正参数，以优化系统中的参数。添加块的在线修订如下所示：

图3 在线修正预测模型

e (t )  y _p (t )*  y _p (t -1)*  1 y _p (t -2)* 2

(6)

y _p (t -3)*  3 y _p (t - 4)*  4 y _r (t )

在这个公式中，y _p (t -k)表示时间t在最后K时间点的预测值，和y(t)表示实际电力引入RBF神经网络权值修正。所以通常的RBF网络训练后具有良好的反应能力对训练数据，然而，泛化能力低可能不具有代表性的训练数据造成的，和在线校正的原始结构的神经网络将增加时间预测和复杂的代码。因此，本文提出了基于参数的在线自适应调整方法。隐藏层节点的参数，包括节点中心，宽度和权重，需要动态调整与输出偏差。梯度下降算法可用于调整参数。选择输出值的平均方差作为目标函数，选择相对低的学习评价在线更新。例如，在一个特定的时期，新的输入和输出是

误差函数

误差函数中的偏导数

更新的中心，宽度和重量是

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[151399]，资料为PDF文档或Word文档，PDF文档可免费转换为Word