摘 要

随着世界光伏产业的发展，太阳能光伏并网系统在各个行业的运用日趋广泛。对太阳能光伏并网系统发电量的准确预测有助于提高太阳能光伏并网系统的稳定性和安全性，而如今我国对这方面的研究还处于起步阶段。太阳能光伏并网系统的发电量受到天气、气象等多方面因素影响，具有不连续性和不确定性。针对这一问题，本文提出了对太阳能光伏并网系统发电量的两种预测方法，首先通过实测山东济宁中央百货光伏电站的发电量数据以及当地的天气、气象数据建立太阳能光伏并网系统的发电量预测模型，再用模糊识别方法对气象数据进行数据处理；用BP神经网络和极限学习机（Extreme Learning Machine）分别对处理过的数据进行预测，用MATLAB软件仿真分析，对得到的预测值与实际数据进行对比分析，最后得出两种预测方法的有效性和准确性,对比其优劣。本文所得到的结论对我国的太阳能光伏并网系统发电量预测有一定的指导和参考价值。

关键词：光伏并网系统；发电量；模糊识别；BP神经网络；极限学习机

Abstract

With the development of the world's photovoltaic industry, solar photovoltaic grid-connected systems in various industries increasingly widely used. The accurate prediction of solar photovoltaic grid-connected system power generation can help to improve the stability and safety of solar photovoltaic grid-connected system, and now our country’s research on this area is still in its infancy. Solar photovoltaic grid-connected system power generation is influenced by the weather, meteorological and other factors, with discontinuities and uncertainties. In order to solve this problem, I propose two kinds of forecasting methods of solar photovoltaic grid-connected system power generation. First of all, by measuring power generation data and the local weather and meteorological data Shandong Jining Central Department Store Photovoltaic Power Station to establish a solar photovoltaic grid-connected system power generation forecasting model. And then use the fuzzy recognition method to deal with the meteorological data. BP neural network and Extreme Learning Machine were used to predict the processed data, using MATLAB software simulation analysis, comparing the predicted value and the actual data , finally, summing up the validity and accuracy of the two predictive methods, and compare their advantages and disadvantages. The conclusions of this paper have some guidance and reference value for the forecast of the generation capacity of solar photovoltaic grid-connected system in China.

Key Words：Photovoltaic grid-connection system；Power generation；Fuzzy recognition；BP neural network；Extreme Learning Machine

目 录

摘 要 I

第一章 绪论 1

1.1 课题研究的背景及意义 1

1.2 国内外研究发展现状分析 1

1.2.1 国外研究发展现状 2

1.2.2 国内研究发展现状 2

1.3 本文的主要工作 3

第二章 光伏发电特性及影响因素 4

2.1 太阳能光伏发电系统 4

2.1.1太阳能光伏发电系统发电原理 4

2.1.2太阳能光伏发电系统组成 4

2.1.3太阳能光伏发电系统输出功率特性分析 5

2.2 太阳能光伏发电系统影响因素分析 5

2.2.1 天气类型对光伏发电量的影响 6

2.2.2 太阳辐射强度对光伏发电量的影响 6

2.2.3 相对湿度对光伏发电量的影响 6

2.2.4 风速对光伏发电量的影响 8

2.3 本章小结 8

第三章 基于环境因素判断的模糊识别方法 9

3.1 模糊识别的概念及原理 9

3.2 模糊识别的方法 9

3.3 建立基于环境因素判断的模糊识别系统 9

3.1 模糊识别系统的编辑 10

3.1.1 输入变量隶属度函数 10

3.1.2 输出变量隶属度函数 11

3.2 模糊推理规则的建立 11

3.3 仿真结果分析 13

3.4 本章小结 14

第四章 光伏电站发电量预测模型建立 16

4.1 预测模型的选择 16

4.2 BP神经网络模型的建立 16

4.2.1 BP神经网络模型的基本原理 16

4.2.2 BP神经学习算法过程 18

4.2.3 BP神经网络模型具体操作步骤 19

4.3 基于MATLAB的BP神经网络仿真 19

4.3.1 输入、输出向量的设计 19

4.3.2 BP神经网络设计 20

4.3.3 BP神经网络训练 21

4.4 本章小结 25

第五章 基于ELM的光伏发电量预测研究 26

5.1 极限学习机的原理 26

5.2 ELM的学习算法 28

5.3太阳能光伏发电量预测模型 28

5.4 ELM程序设计 28

5.4.1 训练集的设计 28

5.4.2 数据的归一化处理 28

5.4.3 ELM训练及仿真 29

5.4.4 仿真结果对比及绘图 29

5.5 本章小结 33

第六章 环境影响及经济性分析 34

5.1 环境影响分析 34

5.1.1 噪音环境影响 34

5.1.2 水环境影响 34

5.1.3 光污染影响 34

5.1.4 电磁辐射影响 34

5.2 经济性分析 34

第七章 结论与展望 35

6.1 论文工作总结 35

6.2 太阳能光伏并网系统发电量预测研究展望 35

参考文献 36

致谢 38

第一章 绪论

1.1 课题研究的背景及意义

由于世界经济的迅猛发展，能源需求不断上升，传统能源和技术不足以供应人类生活生产所需，并且化石等燃料的燃烧给环境带来了污染，给人类生存和生态平衡带来严重威胁^[1]。科学界普遍认为，人类活动正在影响气候变化，这种影响大多数来自电力行业引起的化石燃料燃烧。 2012年，美国温室气体排放总量的32％来自电力行业，在所有行业中最高。因此，可再生能源如风能和太阳能等成为了人类推崇的新能源。

太阳能具有绿色、环保、无污染的特点，其资源利用是整个可再生资源中投资增长速度最快的^[2]，在化石能源日趋紧张以及全球倡导绿色能源的大背景下，太阳能受到了越来越多国家的重视，由于硅和光伏零件的价格下跌，大规模制造技术的进步，许多政府的激励，成熟和有利的互连协议的扩散以及电力转换器技术的持续技术改进，光伏产业预计将继续增长，例如，制造光伏组件的成本显着降低，从20世纪70年代的超过100美元每瓦降至2014年的每瓦不到1.00美元,事实上，大规模批发订单可能导致价格低于每瓦0.60美元。太阳能光伏并网系统的原理是把太阳能光伏系统和电力电网相连接，当太阳能光伏系统产生足够的电力时，可以把残余的电能反馈到电网并向其供电，这样使得电能的利用更加合理并且环保^[3，4]。此外，太阳能光伏并网系统减少了传输和分配损耗。2010年美国的平均传输和分配损失达到5.7％，高峰时段的损失更高，如，2010年南加州爱迪生和太平洋电气公司的估计传输和分配损失超过10％。将分布式光伏发电系统靠近负荷放置可以有助于部分减轻这些损失。