誤差修正的光伏發電預測分析范文

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

摘要:

為了提高光伏發電預測的精度，在傳統BP神經網絡預測模型的基礎上，利用相似日算法和馬爾科夫鏈理論對預測模型進行改進。其方法以得到的相似日數據作為預測模型的輸入量，通過BP神經網絡進行訓練，得到初步的預測值，然后根據馬爾科夫鏈模型得到的誤差狀態轉移概率矩陣對預測誤差進行修正，根據修正后的誤差得到新的預測值。最后通過與傳統算法得到的預測結果進行誤差對比分析，結果表明，改進算法的預測精度高于傳統算法，驗證了該模型的有效性。

關鍵詞:

光伏發電;相似日算法;BP神經網絡;馬爾科夫鏈

隨著能源和環境問題的日益突顯，光伏太陽能作為一種重要的清潔可再生能源發電形式，越來越受到世界各國的關注［1-2］。由于受到環境和氣象因素的影響，光伏發電功率具有一定的波動性和隨機性，因此，影響電力系統的安全、穩定運行。對光伏發電系統發電量進行預測研究，可以預先得到發電量曲線，協調調度部門安排常規機組出力，并可以根據預測結果進行光伏出力平滑控制，從而減小大規模光伏系統的接入對電網造成的影響［3-5］。光伏發電量預測分為直接預測和間接預測兩種［6-7］。目前多采用歷史氣象和發電數據進行預測的直接法(統計法)，其中基于神經網絡的光伏預測方法研究較為普遍［8-9］。其中文獻［8］提出了一種結合歷史數據和天氣預報信息的BP神經網絡預測模型。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測。由于相同的天氣類型條件下光伏發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BP神經網絡的基礎上，采用相似日算法篩選出與預測日特征更為相似的歷史數據作為模型輸入，提高了預測結果的精度。考慮到光伏發電受到環境因素的影響會產生較大波動，為了進一步減小預測誤差，在文獻［10］的基礎上，本文提出一種基于馬爾科夫鏈修正的預測模型，利用本模型適應性強的特點，通過其狀態轉移概率矩陣對基于相似日算法的BP神經網絡的誤差修正，得到新的預測值，從而提高預測的準確性。

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，光伏發電功率也越大。溫度對光伏發電的影響體現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。同一季節的不同日類型某光伏電站的發電量如圖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，根據相似日的歷史氣象和發電數據，通過BP神經網絡預測模型可以比傳統的方法更好預測出待預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。然后通過灰色關聯分析法利用氣象因素構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神經網絡預測模型的輸入樣本。

2基于相似日算法的BP神經網絡

2．1BP神經網絡BP神經網絡是一種單向傳播的多層前向網絡，由于其具有很強的非線性映射能力、自適應能力和實用性而被廣泛應用。BP神經網絡包含輸入、隱含和輸出三層網絡結構如圖4所示。網絡的上、下層之間是全連接，而各層的神經元之間彼此沒有連接。wij是輸入層與隱含層節點與節點間連接的權值，wjk是隱含層和輸出層神經元節點與節點間連接的權值，隱含層和輸出層的輸入分別為輸入層和隱含層節點的輸出的加權和。一般選取常用的S型函數作為傳遞函數來限制各個節點的輸出。若采用某一固定樣本的輸入XP和輸出dPk對網絡進行訓練。

2．2基于相似日的BP神經網絡預測模型文獻［8］所采用的BP神經網絡模型的輸入量采用的是預測日前一天的發電數據，本文在相似日算法基礎上，使用相似日數據和預測日氣象特征量作為輸入層節點的輸入量從而提高訓練的效果。輸入層節點對應輸入變量，選取相似日6:00到19:00的14個時間序列的發電量，以及相似日和預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測是通過初始狀態概率向量和狀態概率轉移矩陣預測變量在將來某時刻所處狀態的預測方法，馬爾科夫過程是其理論基礎。馬爾科夫過程是隨機時間序列動態變化的一個過程。

3．2基于馬爾科夫鏈修正的預測算法流程通過相似日算法選取的相似日作為BP神經網絡的輸入量，從而優化了傳統BP神經模型訓練樣本，然后通過神經網絡訓練得到基于相似日的BP神經網絡預測值。根據此預測值利用馬爾科夫鏈模型對預測誤差進行修正，通過狀態轉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電預測量。改進預測模型算法流程如圖6所示。

4實例分析

根據上述改進預測模型，以某地光伏發電站的歷史氣象數據和發電數據進行仿真計算。為了驗證算法的可行性，以2013年7月11日的預測數據和實際數據為例分析。采用傳統BP神經網絡，基于相似日算法的BP神經網絡和本文改進模型的實測和相對誤差結果對比如表1和圖7所示。

5結論

(1)利用馬爾科夫鏈誤差修正模型，通過狀態轉移矩陣的修正使得預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的預測誤差都比較大，可能是出現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