基于相似日和改进BP神经网络的光伏发电预测模型陈敏洁

(整期优先)网络出版时间:2019-06-16
/ 1

基于相似日和改进BP神经网络的光伏发电预测模型陈敏洁

陈敏洁

(无锡供电公司江苏无锡214000)

摘要:本文提出一种基于相似日和改进BP神经网络的光伏发电预测模型,将相似日的历史逐时发电量、温度和湿度以及预测日温度和湿度的预报信息作为改进BP神经网络输入对预测日直接预测,效果良好,值得参考。

关键词:相似日;改进BP

引言

直接预测,是利用光伏系统历史发电量数据及天气预报预测光伏发电出力。文献[1]中提出若天气类型相同的相似日的发电量曲线的形状和高度大致相同。文献[2]介绍了一种反映云层变化信息的地表太阳辐射量预测模型。

常用预测方法主要有时间序列法、人工神经网络等。其中,BP神经网络因其具有很强学习能力、容错性等优点而受到重视,但却因传统BP算法容易陷入局部极小值、收敛速度慢的固有缺陷而影响预测精度和速度。

本文提出一种基于相似日和改进BP神经网络的光伏发电预测模型,将相似日的历史逐时发电量、温度和湿度以及预测日温度和湿度的预报信息作为神经网络输入对预测日直接预测逐时发电量。

1相似日选取

为选取相似日,构成如下气象特征向量:

式中:、—第个历史日的最高气温和最低气温;—第个历史日的湿度;—第个历史日的总云量;—第个历史日的天气类型。选取步骤:

选取与预测日同天气类型的历史日组成相似日集;

计算预测日与初始相似日集中第日特征向量关联度:

从相似日集中挑选出的历史日并按其关联度大小排序,选取前n条记录,本文中n=10;

再将这n条记录按照时间先后排序,组成预测相似日集。

2预测模型

选取每天中7:00~20:00的逐时发电量作为历史发电量,共14个数据。现假设已获得的相似日集中有n条记录,即。每条记录由历史发电量和气象特征向量构成,即。

输入层变量由相似日逐时发电量、气象信息和预测日气象预报信息组成,共20个输入变量;输出层变量为预测日7:00~20:00的逐时预测发电量;而隐含层节点个数采用20个节点。

图1预测模型拓扑结构

3改进BP算法

3.1自适应学习和增加动量项

BP算法的固有缺陷,根源在于基于误差梯度下降的权值调整原则每一步求解都取局部最优。常用的两个改进措施:1)自适应调节学习率;2)增加动量项。

3.2引入陡度因子和权值初始化设计

BP算法通过误差梯度来调整权值,而误差曲面存在很多平坦区域,梯度变化很小,即使误差很大也对权值的调整很小。为此,再引入陡度因子和权值初始化设计两个措施:

4预测结果比较分析

4.1预测结果分析

为了说明提出模型的有效性,增加了无相似日选取和无改进措施的两个预测模型做对比分析。

表1三个预测模型

表2三个模型预测结果对比

选取2018年8月7、8、9连续三天,天气类型分别为多云、晴天以及阵雨的预测结果来比较分析。预测结果的评价除了要考虑精度之外,还应兼顾速度,为此本文提出如下综合评价指数:

式中:是预测速度指数,是迭代次数,是迭代最大次数,本文取值为10000;和是反映预测精度的指数,和是该次预测结果的平均绝对百分比误差MAPE和均方根差RSME,而和是相应参考值,取值分别为5%和15%;、、是权值,且;、分别是实际和预测发电量,kw.h;为样本数;是光伏系统平均开机容量所对应的每小时发电量,本文取值30kw.h。CEI越大表明模型的综合预测效果越好。

图2三个模型的预测曲线图

预测结果对比:

(1)相似日选取能提高预测精度:有相似日选取的模型2、3的预测曲线与实际值较吻合。

(2)改进BP算法能改善预测速度:未改进BP算法的模型2迭代次数8287明显大于其他两个模型。

(3)CEI值表明本文提出的模型3预测得又快又准。

5结论

预测结果表明,相似日选取能提高预测精度,改进BP算法能改善预测速度,。因此,本文提出的基于相似日和改进BP神经网络的光伏短期无辐照度发电预测模型具有可行性,值得参考。

参考文献

[1]陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报,2008,24(9):153-158.

[2]朱永强,田军.最小二乘支持向量机在光伏功率预测中的应用[J].电网技术,2011,35(7):54-59.