亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于天氣類型聚類和LS-SVM 的光伏出力預(yù)測

        2014-03-25 03:20:06張華彬楊明玉
        電力科學(xué)與工程 2014年10期
        關(guān)鍵詞:輻射強度出力氣象

        張華彬,楊明玉

        (華北電力大學(xué) 電氣與電子工程學(xué)院,河北 保定071003)

        0 引言

        隨著全球能源危機和環(huán)境保護問題的日益突出,并網(wǎng)光伏發(fā)電以其特有的優(yōu)勢得到了快速推廣應(yīng)用,但是其出力的波動性、間歇性及隨機性會威脅到電網(wǎng)的安全、穩(wěn)定運行[1~4]。因此,對光伏出力進行預(yù)測以減少其對電網(wǎng)的沖擊,實現(xiàn)傳統(tǒng)能源和可再生能源的優(yōu)勢互補變得極為重要[5]。

        文獻[6]根據(jù)歷史氣象信息先估計出待預(yù)測日的太陽輻射強度,再由太陽輻射強度建立模型預(yù)測光伏出力,但是沒有考慮光伏陣列的安裝角度以及光電轉(zhuǎn)換效率等自身因素的影響。文獻[7]先對云層指數(shù)和晴空地表太陽輻射值進行預(yù)測,再對有云層遮擋時的地表太陽輻射進行預(yù)測,然后建立模型預(yù)測光伏出力,預(yù)測精度較高,但是預(yù)測地表太陽輻射強度時間尺度過長,當(dāng)天氣類型變化較快時難以反應(yīng)待預(yù)測日實際天氣屬性,造成光伏出力預(yù)測誤差放大。文獻[8~9]根據(jù)影響光伏出力的氣象因素建立了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型,獲得了較高預(yù)測精度,但是對于一天內(nèi)天氣變快劇烈時的預(yù)測精度還有待提高。

        本文通過分析光伏出力與對應(yīng)氣象信息之間的內(nèi)部聯(lián)系,提出一種基于天氣類型聚類和LSSVM 的光伏出力直接預(yù)測模型,無需建立復(fù)雜的太陽輻射強度預(yù)測模型,具有更高預(yù)測速度和準(zhǔn)確性。

        1 影響光伏出力的主要因素

        光伏發(fā)電系統(tǒng)輸出功率受到內(nèi)部和外部眾多因素的綜合影響[10]。正常運行的光伏系統(tǒng),內(nèi)部電路組成已確定,幾乎所有的并網(wǎng)逆變器都工作在最大功率點跟蹤(Maximum Power Point Tracking,MPPT)模式,且安裝位置、光伏面板傾角等這些因素都隱含在光伏系統(tǒng)歷史出力數(shù)據(jù)中,因此只需考慮影響光伏出力的外部氣象因素。本文以保定地區(qū)某光伏實驗電站中總?cè)萘繛?0 kW的薄膜太陽能電池方陣為研究對象,以其歷史出力數(shù)據(jù)和歷史氣象信息為參考,分析影響光伏出力的外部因素。

        1.1 太陽輻射強度

        圖1 顯示出光伏系統(tǒng)出力與太陽輻射強度總量(包括直輻射、反輻射和散輻射)關(guān)系曲線高度相似,光伏系統(tǒng)歷史出力數(shù)據(jù)中隱含了一天各時刻的光照強度信息。

        圖1 光伏系統(tǒng)出力與太陽輻射強度的關(guān)系

        1.2 季節(jié)類型和日類型

        圖2 顯示出,不同日類型時光伏系統(tǒng)輸出功率相差很大,這主要源于不同日類型時,光伏面板所獲得太陽輻射強度總量的明顯差異。圖3 為不同季節(jié)晴天時的光伏出力。

        圖2 不同日類型時的光伏系統(tǒng)出力曲線

        圖3 不同季節(jié)晴天時光伏系統(tǒng)出力曲線

        分析圖3 可知,晴天時光伏系統(tǒng)輸出功率除了具有明顯的上升-保持-下降的基本規(guī)律,還有季節(jié)性差異,其中夏季和冬季出力差別最為明顯,春季和秋季出力差別較小,這主要源于太陽輻射強度的季節(jié)性差異。對比圖2 可知,季節(jié)類型對光伏系統(tǒng)出力的影響要小于日類型的影響。為了提高模型預(yù)測精度,本文將光伏系統(tǒng)歷史記錄數(shù)據(jù)按季節(jié)類型和晴、多云、陰、小雨(雪)4 種日類型聚類。

        1.3 溫度

        光伏出力與大氣溫度的關(guān)系如圖4 所示,當(dāng)溫度增加時,光伏系統(tǒng)出力也隨之增加,二者接近呈正相關(guān),這是因為光伏電池工作環(huán)境溫度影響其光電轉(zhuǎn)換效率。

        圖4 光伏系統(tǒng)出力與溫度的關(guān)系

        1.4 相對濕度

        除上文已討論的因素外,還需考慮相對濕度對光伏系統(tǒng)出力的影響。如圖5 所示,當(dāng)相對濕度較大時,空氣中的水汽對太陽輻射強度的吸收及折、反射增強,落在光伏面板上的光照強度減弱,因而光伏系統(tǒng)出力就會減少;反之,光伏系統(tǒng)出力會出現(xiàn)相應(yīng)增加,二者呈負相關(guān)關(guān)系。

        圖5 光伏出力與相對濕度的關(guān)系

        2 預(yù)測模型設(shè)計

        2.1 LS-SVM 算法及參數(shù)優(yōu)化

        支持向量機(SVM)是基于結(jié)構(gòu)風(fēng)險最小化(Structural Risk Minimization,SRM)原則得到實際最小風(fēng)險,泛化能力強,存在全局唯一解,能以其特有的優(yōu)勢解決小樣本、非線性、高維數(shù)以及局 部 極 小 等 實 際 問 題[11~13]。LS-SVM 在 繼 承SVM 優(yōu)點基礎(chǔ)上對其作了改進,采用平方項優(yōu)化指標(biāo),以等式約束條件替代原來的不等式約束條件,可加快求解速度[14]。由于核函數(shù)的引入,可用原低維空間的核函數(shù)運算代替高維特征空間的點積運算,巧妙避免了高維特征空間中“維數(shù)災(zāi)難”[15]等問題,使得LS-SVM 算法能更好地解決非線性問題。

        本文選用式(1)所示的RBF 核函數(shù):

        式中:x 是輸入向量;xi是第i 個核函數(shù)中心;σ是核寬度參數(shù),控制著核函數(shù)距中心點的寬度。

        懲罰參數(shù)和核寬度參數(shù)對LS-SVM 算法實現(xiàn)起著至關(guān)重要的作用,本文采用粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)對兩參數(shù)進行優(yōu)化選擇。

        2.2 預(yù)測模型總體框架及流程

        圖6 為光伏系統(tǒng)出力預(yù)測模型總體框架。

        圖6 光伏系統(tǒng)出力預(yù)測模型框架

        首先把光伏監(jiān)控系統(tǒng)數(shù)據(jù)庫中記錄的歷史出力數(shù)據(jù)和對應(yīng)氣象信息按季節(jié)類型聚類,再按日類型聚類,得到每個季節(jié)晴、多云、陰和小雨(雪)4 種日類型的聚類子樣本,然后從中篩選出多條數(shù)據(jù)記錄作為最佳聚類樣本集合,選擇并訓(xùn)練樣本,形成預(yù)測模型,綜合各個模型,便得到全年光伏系統(tǒng)出力預(yù)測模型。實際預(yù)測時,先根據(jù)待預(yù)測日期確定季節(jié)類型,然后由待預(yù)測日氣象特征找到對應(yīng)的預(yù)測子模型,選擇最佳訓(xùn)練集,對光伏出力進行預(yù)測。

        2.3 天氣類型聚類原理

        根據(jù)第1 節(jié)的分析可知,日類型相同時,光伏出力具有高度相似性,出力大小差異主要由各自氣象因素所引起。因此,把歷史數(shù)據(jù)按天氣類型聚類,篩選出與待預(yù)測日氣象特征高度相似的數(shù)據(jù)集合,能夠有效提高模型預(yù)測精度。

        本文首先由待預(yù)測日期找到季節(jié)聚類樣本,再根據(jù)詳細氣象特征選出與其高度相似的樣本集。選取每日氣象特征向量:

        式中:Ti為第i 日光照時間(h);Thi,Tli,Tai分別為第i 日大氣溫度最高、最低、平均值(℃);t1i,t2i分別為第i 日最高、最低氣溫出現(xiàn)的時刻;Hhi,Hli,Hai分別為第i 日相對濕度的最高、最低、平均值;t3i,t4i分別為第i 日最高、最低相對濕度出現(xiàn)的時刻。

        記待預(yù)測日氣象特征向量為X=[x(1),…,x(n)],第i 日氣象特征向量為Xi=[xi(1),…,xi(n)],其中n 為特征向量中元素個數(shù)。由于各氣象因素在聚類時對光伏出力影響程度不同,本文對每種因素根據(jù)其重要程度賦予一個權(quán)重系數(shù),用加權(quán)歐氏距離法來選擇聚類樣本,第i 日的加權(quán)歐氏距離如式(2)所示,將計算結(jié)果{di}按從小至大順序排列,并稱最小值對應(yīng)日期為“最佳聚類日”。

        式中:n 為影響因素數(shù)量;λj為采用Pearson 相關(guān)系數(shù)法[16](式(3)所示)計算出的各影響因素與光伏出力之間的相關(guān)系數(shù);xij為第i 日的第j 個氣象因素;xj為待預(yù)測日的第j 個氣象因素。

        式中:RXY為向量X 與Y 之間的相關(guān)系數(shù),|RXY|越接近1表明兩變量相關(guān)程度越高,關(guān)系越密切。

        歷史數(shù)據(jù)聚類結(jié)果決定了訓(xùn)練樣本的選取,從聚類集合中選出前k(1 <k≤n,可根據(jù)實際需要指定大小)條數(shù)據(jù)記錄作為訓(xùn)練樣本,用這些與待預(yù)測日高相似度的樣本對模型進行訓(xùn)練,然后用訓(xùn)練好的LS-SVM 模型預(yù)測光伏出力,可有效提高模型預(yù)測精度。

        2.4 數(shù)據(jù)預(yù)處理

        由于光伏系統(tǒng)出力的隨機性、間歇性等特點,光伏數(shù)據(jù)本質(zhì)上是一組隨機序列。對原始數(shù)據(jù)進行預(yù)處理,去除其中奇異數(shù)據(jù)、修補缺失數(shù)據(jù),并按式(4)進行歸一化處理,將各量的值限制在(0,1)區(qū)間內(nèi),可提高模型訓(xùn)練、收斂速度。

        式中:xi為原始輸入數(shù)據(jù);i 為{xi}中的數(shù)據(jù)序號;xmin,xmax為 {xi}中的最小值和最大值;為xi的歸一化值。

        2.5 模型輸入輸出量

        預(yù)測模型以1 h 為間隔預(yù)測第2 日7:00~18:00 的光伏出力值,模型結(jié)構(gòu)如圖7 所示。

        圖7 預(yù)測模型結(jié)構(gòu)圖

        輸入變量共有15 個,如表1 所示。為了減少光伏出力的過大波動性對預(yù)測結(jié)果的影響,取采樣點時刻前后15 min 的出力平均值作為該時刻的出力值,模型輸出為待預(yù)測日對應(yīng)整點時刻的光伏出力。

        表1 預(yù)測模型輸入變量

        3 算例分析

        本文編寫Matlab 程序?qū)崿F(xiàn)了LS-SVM 算法迭代過程,以1 h 為步長,預(yù)測第2 日7:00~18:00 時段的光伏出力。以保定地區(qū)某光伏實驗電站10 kW 薄膜太陽能電池方陣為研究對象,對其2012 年實際出力數(shù)據(jù)和對應(yīng)歷史氣象信息從7:00~18:00 每1 h 采樣一次,按照2.2 節(jié)~2.4 節(jié)所述方法進行聚類、預(yù)處理,并從中篩選訓(xùn)練和測試數(shù)據(jù)。以春季聚類子樣本為例,分別采用晴、多云、陰、小雨4 組數(shù)據(jù)對模型進行訓(xùn)練和預(yù)測,此為模型Ⅰ。為了便于直觀對比分析,采用文獻[8]中提出的僅加入氣象信息而未作聚類識別的方法作為模型Ⅱ。兩種模型預(yù)測結(jié)果如圖8 所示。

        圖8 預(yù)測結(jié)果

        由圖可知,當(dāng)日類型為晴天時,兩種模型均具有較高預(yù)測精度,預(yù)測出力值都能較好地跟隨實測出力曲線,個別時刻預(yù)測值等于實測值。當(dāng)日類型為多云、陰和小雨時,兩模型預(yù)測精度較晴天時均有所降低,模型Ⅰ基本能反應(yīng)待預(yù)測日的實際光伏出力,但個別時刻如陰天時的12:00,14:00,小雨天氣時的14:00 等,沒能很好地反映出光伏出力的突變現(xiàn)象;模型Ⅱ個別時刻(如多云天氣時的11:00,16:00,陰天的6:00~8:00,小雨天氣時的10:00,12:00 等)預(yù)測值較模型Ⅰ接近實測值,但當(dāng)光伏出力發(fā)生突變時(如陰天時的12:00~14:00,小雨天氣時的12:00~15:00),模型Ⅱ較模型Ⅰ則偏離實測值大。

        為了定量分析兩種模型整體預(yù)測能力,采用平均絕對誤差(Mean Absolute Percentage Error,MAPE)EMAPE來評估兩模型預(yù)測結(jié)果,如下式所示,分析結(jié)果見表2。

        式中:Pi為光伏出力實測值;為光伏出力預(yù)測值;n 為預(yù)測樣本序列個數(shù)。

        表2 預(yù)測結(jié)果的平均絕對百分比誤差 %

        由表2 可看出,兩種模型對晴天光伏出力均有較強預(yù)測能力,而對多云、陰天、小雨天氣時的出力預(yù)測誤差依次增大。模型Ⅱ?qū)γ糠N日類型的預(yù)測誤差均較模型Ⅰ有一定幅度增大,其中晴天預(yù)測誤差的差額最小,小雨天氣時差額最大,這主要源于模型Ⅱ選取訓(xùn)練和預(yù)測樣本時未采用天氣類型聚類識別方法,使得訓(xùn)練、預(yù)測樣本與待預(yù)測日的天氣屬性相似度不高。

        考慮到較少的樣本數(shù)據(jù)點可能對預(yù)測結(jié)果造成一定影響,故將樣本數(shù)據(jù)提高一倍,與之前采樣做法一致,把每個采樣點前后15 min 的出力平均值作為該采樣點時刻的出力值,兩種模型的預(yù)測結(jié)果如表3 所示。

        表3 步長為0.5 h 時的預(yù)測結(jié)果 %

        由表3 可知,在相同預(yù)測時段內(nèi),兩種模型預(yù)測精度均因采樣點增加而有一定提高,晴天時預(yù)測精度增加較為明顯,其中模型Ⅱ晴天時誤差減少為原來的45.0318%,在各組預(yù)測數(shù)據(jù)中減少幅度最大。算例證明了本文所提預(yù)測模型無論在晴天還是在非晴天條件下的預(yù)測精度均高于模型Ⅱ,并且在增加采樣點后的預(yù)測效果更明顯。

        4 結(jié)論

        本文以光伏系統(tǒng)實際運行數(shù)據(jù)和對應(yīng)氣象信息為參考,分析了影響光伏出力的氣象因素,提出一種把歷史數(shù)據(jù)按天氣類型聚類的方法。從最佳聚類集合中選取的訓(xùn)練樣本,能更好地反映待預(yù)測日的實際天氣屬性。預(yù)測模型直接以氣象信息和歷史出力數(shù)據(jù)作為輸入,輸出為待預(yù)測日對應(yīng)時刻的光伏出力值,避免了復(fù)雜的二次建模,有效提高了預(yù)測速度。算例結(jié)果表明,所提模型是有效和可行的,在相同預(yù)測時段內(nèi),增加樣本數(shù)據(jù)點可獲得更加精確的結(jié)果。

        [1]陳昌松,段善旭,蔡濤,等.基于模糊識別的光伏發(fā)電短期預(yù)測系統(tǒng)[J].電工技術(shù)學(xué)報,2011,26(7):83-89.

        [2]栗然,李廣敏.基于支持向量機回歸的光伏發(fā)電出力預(yù)測[J].中國電力,2008,41(2):74-78.

        [3]戴武昌,孔令國,崔柱.大規(guī)模光伏并網(wǎng)發(fā)電系統(tǒng)建模與運行分析[J].中國電力,2012,45(2):58-63.

        [4]王哲,王飛,劉力卿,等.基于多元回歸分析的光伏電站太陽輻射曝輻量模型[J].華北電力大學(xué)學(xué)報(自然科學(xué)版),2011,38(5):53-58.

        [5]程澤,韓麗潔,李思宇,等.光伏發(fā)電功率的智能預(yù)測算法[J].電力建設(shè),2014,35(7):34-39.

        [6]Yona A,Senjyu T,F(xiàn)unabashi T.Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C].Tampa,F(xiàn)L:IEEE Power Engineering Society General Meeting,2007.1-6.

        [7]朱永強,田軍.最小二乘支持向量機在光伏功率預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù),2011,35(7):54-59.

        [8]陳昌松,段善旭,殷進軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計[J].電工技術(shù)學(xué)報,2009,24(9):153-158.

        [9]盧靜,翟海青,劉純,等.光伏發(fā)電功率預(yù)測統(tǒng)計方法研究[J].華東電力,2010,38(4):563-567.

        [10]于炳霞,譚志萍,崔方,等.光伏發(fā)電功率預(yù)測自適應(yīng)建模方法研究[J].電網(wǎng)與清潔能源,2013,29(1):70-73,81.

        [11]傅美平,馬紅偉,毛建榮.基于相似日和最小二乘支持向量機的光伏發(fā)電短期預(yù)測[J].電力系統(tǒng)保護與控制,2012,40(16):65-69.

        [12]劉耀年,龐松嶺,李鑒.基于粗糙集理論和最小二乘支持向量機的中長期負荷預(yù)測[J].中國電力,2007,40(10):42-44.

        [13]石亞欣.基于時間序列的WD-LS-SVM 的風(fēng)速周期預(yù)測模型研究[J].電力科學(xué)與工程,2014,30(2):41-45.

        [14]紀(jì)國瑞,董澤,韓璞,等.基于最小二乘支持向量機的風(fēng)力發(fā)電機組風(fēng)速軟測量[J].中國電力,2009,42(2):75-78.

        [15]楊曉偉,郝志峰.支持向量機的算法設(shè)計與分析[M].北京:科學(xué)出版社,2013.

        [16]代倩,段善旭,蔡濤,等.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究[J].中國電機工程學(xué)報,2011,31(34):28-35.

        猜你喜歡
        輻射強度出力氣象
        氣象
        氣象樹
        《內(nèi)蒙古氣象》征稿簡則
        氧氣A(O,O)波段氣輝體發(fā)射率和臨邊輻射強度模擬與分析
        大國氣象
        風(fēng)電場有功出力的EEMD特性分析
        要爭做出力出彩的黨員干部
        河南電力(2016年5期)2016-02-06 02:11:35
        基于模擬太陽輻射強度對自然循環(huán)式PV/T系統(tǒng)的實驗研究
        風(fēng)電場群出力的匯聚效應(yīng)分析
        電測與儀表(2015年5期)2015-04-09 11:31:12
        紅外地球敏感器輻射強度在軌數(shù)據(jù)分析*
        视频二区 无码中出| 国产女人高潮叫床视频| 亚洲美免无码中文字幕在线| 国产精品视频一区日韩丝袜| 国产99久久久国产精品免费| 99久久精品国产亚洲av天| 一区二区三区国产精品麻豆| 日韩大片高清播放器大全| 国产熟妇高潮呻吟喷水| 中文字幕巨乱亚洲| 在线久草视频免费播放| 无码人妻精品中文字幕| 老熟妻内射精品一区| 在线成人tv天堂中文字幕| 极品少妇高潮在线观看| 五月丁香六月综合缴清无码| 色悠久久久久综合欧美99| 免费无遮挡毛片中文字幕| av熟女一区二区久久| 亚洲国产精品国自产拍性色| 色一情一乱一伦| 免费看操片| 日韩女同一区二区三区久久| 久久久久久夜精品精品免费啦| 国产丝袜无码一区二区三区视频| 久久精品国产亚洲综合色| 中文字幕日本在线乱码| 在线播放真实国产乱子伦| 四虎影视永久在线精品| 女同成片av免费观看| 国产av一级黄一区二区三区| 亚洲av不卡一区二区三区| 亚洲国产成人无码影院| 精品亚洲av一区二区| 中文字幕人妻伦伦| 五十路熟女一区二区三区| 久久久亚洲日本精品一区| 精品亚洲一区二区三区四| 久久精品人人爽人人爽| 五月天婷婷一区二区三区久久| 不卡一本av天堂专区|