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BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測研究

        2018-06-15 02:36:34陳德會楊海艷曲宏偉
        東北電力技術(shù) 2018年4期
        關(guān)鍵詞:模型

        陳德會,楊海艷,曲宏偉

        (1. 大唐新疆清潔能源有限公司,新疆 烏魯木齊 830001;2. 東北電力大學(xué)能源與動力工程學(xué)院,吉林 吉林 132012)

        最近幾年,中國的嚴(yán)重霧霾導(dǎo)致的環(huán)境污染引發(fā)了社會的普遍高度重視[1]。高效利用可再生能源發(fā)電,減少煤炭能源發(fā)電,是緩解環(huán)境問題的有效措施。預(yù)計在2030年我國可再生能源的用電率達(dá)到30%以上[2]。

        作為技術(shù)較為成熟的可再生能源發(fā)電之一,光伏發(fā)電以相對占地面積小、運(yùn)維成本低的優(yōu)勢得到迅猛發(fā)展。隨著光伏發(fā)電并網(wǎng)容量的增加,光伏發(fā)電功率的波動對電網(wǎng)調(diào)度運(yùn)行的影響不容忽視,電網(wǎng)對光伏發(fā)電功率預(yù)測精度提出更高的要求[3-5]。

        目前,關(guān)于光伏發(fā)電功率預(yù)測方法已經(jīng)取得了一些研究進(jìn)展,主要包括基于神經(jīng)網(wǎng)絡(luò)預(yù)測[6]、基于馬爾科夫鏈預(yù)測[7]、基于支持向量機(jī)預(yù)測[8]和自回歸與滑動平均模型預(yù)測[9]。以上方法中,神經(jīng)網(wǎng)絡(luò)的預(yù)測精度、收斂性較好,因此基于BP神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電功率預(yù)測方面的應(yīng)用有更大的研究空間。

        文獻(xiàn)[10]通過前一天的光伏發(fā)電功率和兩天的平均溫度,可以預(yù)測出當(dāng)天的光伏發(fā)電功率;文獻(xiàn)[11]利用光伏發(fā)電系統(tǒng)的前一天數(shù)據(jù),建立了前饋型與反饋型神經(jīng)網(wǎng)絡(luò)預(yù)測模型,能夠較為準(zhǔn)確地對光伏發(fā)電功率進(jìn)行預(yù)測;文獻(xiàn)[12]將預(yù)測日的天氣類型也加入神經(jīng)網(wǎng)絡(luò),用作輸入量,可以更為準(zhǔn)確地預(yù)測出當(dāng)日光伏發(fā)電的功率。

        基于以上研究,本文將綜合考慮天氣、歷史數(shù)據(jù)信息,建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,對光伏發(fā)電功率進(jìn)行預(yù)測,并采用實測數(shù)據(jù)驗證該方法的有效性。

        1 光伏發(fā)電功率波動影響因素分析

        由于預(yù)測日天氣受前一天天氣的影響,因此光伏發(fā)電功率大小受前一天功率波動影響較大。本文基于大唐吐魯番0.4 MW光伏板試驗數(shù)據(jù),分析光伏發(fā)電功率波動規(guī)律。

        如圖1所示為大唐吐魯番的光伏發(fā)電量實測數(shù)據(jù),其中1日、10日、20日、24日發(fā)電量較低,這4天的天氣分別為多云、多云、雷陣雨、陣雨;4日、15日、16日、27日、28日發(fā)電量較高,這4天的天氣均為晴天。在不同天氣下,光伏發(fā)電功率如圖2所示。

        圖1 2016年6月光伏發(fā)電量

        圖2 不同天氣的光伏發(fā)電功率波動

        不同天氣下,各時段的光伏發(fā)電功率存在較大差異,但不同時刻的光伏發(fā)電功率變化趨勢大致相同,在12:00—18:00,光伏發(fā)電功率較高。

        2 BP神經(jīng)網(wǎng)絡(luò)的基本原理

        BP神經(jīng)網(wǎng)絡(luò)算法是模擬人的大腦,通過神經(jīng)元對刺激的積累不斷學(xué)習(xí),建立機(jī)制,BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

        圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        通過輸入層的每一個神經(jīng)元加權(quán)將信息傳遞給隱含層神經(jīng)元,隱含層的神經(jīng)元將信息加權(quán)又送給輸出層,并通過輸出層的反饋結(jié)果對各層權(quán)重加以改進(jìn)。當(dāng)該模型能夠滿足預(yù)測樣本自校驗的標(biāo)準(zhǔn)后,再采用該模型可以對其他樣本結(jié)果進(jìn)行預(yù)測。

        設(shè)神經(jīng)網(wǎng)絡(luò)有n個輸入量,q個輸出量,p個隱含層單元,隱含層和輸出層的連接權(quán)重為p個和q個。隱含層神經(jīng)元可以表示為

        (1)

        式中:wji為隱含層中第j個神經(jīng)元與輸入層第i個神經(jīng)元的連接權(quán)重;xi為輸入層第i個神經(jīng)元刺激;θj為第j個動量的閥值。

        各層神經(jīng)元輸出函數(shù)采用logsig函數(shù):

        (2)

        輸出層的神經(jīng)元可以表示為

        (3)

        式中:wkj為輸出層第k個神經(jīng)元與第j個隱含層神經(jīng)元的連接權(quán)重;θk為第k個動量的閥值。

        通過輸出實際結(jié)果yk和期望結(jié)果ok可以得到各神經(jīng)元權(quán)重的修正量,從而對其修正,隱含層和輸入層的權(quán)重修正量和閥值修正量為

        (4)

        (5)

        式中:β為修正系數(shù)。

        輸出層和隱含層的權(quán)重修正量和閥值修正量可以表示為

        Δwki=α·(ok-yk)yk(1-yk)bj

        (6)

        Δθk=α·(ok-yk)yk(1-yk)

        (7)

        式中:α為修正系數(shù)。

        3 基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型

        文獻(xiàn)[13]將天氣類型分為晴、多云、陰轉(zhuǎn)晴等天氣,并計算了其天氣類型指數(shù),本文將吐魯番的天氣分為晴、陰天和雨天三類,其天氣類型指數(shù)分別為4.4、2.0和1.0,天氣類型指數(shù)可以作為BP神經(jīng)網(wǎng)絡(luò)的輸入量。

        由于預(yù)測日氣溫、光照變化與預(yù)測日之前的天氣密切相關(guān),因此本文將預(yù)測日前兩天的光伏發(fā)電功率、天氣類型指數(shù)和預(yù)測日的天氣類型指數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入量,輸出量為預(yù)測日的發(fā)電功率。

        光伏發(fā)電功率數(shù)據(jù)為7:00—20:00,共14個典型時段,兩天的光伏發(fā)電功率輸入數(shù)據(jù)為28個,兩天的天氣類型指數(shù)數(shù)據(jù)為2個,預(yù)測日天氣類型指數(shù)為1個,BP神經(jīng)網(wǎng)絡(luò)模型中共31個輸入量。輸出量為預(yù)測日14個典型時段的光伏發(fā)電功率,隱含層的神經(jīng)元個數(shù)y為

        (8)

        式中:n為輸入量個數(shù),在本文中取31;m為輸出量個數(shù),在本文中取14;a為1~10的常數(shù),本文取3。

        根據(jù)式(8),設(shè)置隱含層神經(jīng)元個數(shù)為10個。

        4 光伏發(fā)電功率預(yù)測方法有效性驗證

        采用大唐吐魯番0.4 MW光伏板2016年6月1—29日的實測數(shù)據(jù)作為訓(xùn)練樣本,共27組,設(shè)置收斂精度為0.001,對2016年6月30日的光伏發(fā)電功率進(jìn)行預(yù)測,預(yù)測結(jié)果與實測數(shù)據(jù)對比如圖4所示。

        圖4 光伏發(fā)電預(yù)測結(jié)果

        從圖4可以看出,采用本文方法預(yù)測的結(jié)果與實測結(jié)果較為接近。

        采用均方根誤差(Root Mean Square Error,RMSE)作為光伏發(fā)電功率預(yù)測精度的評價指標(biāo),均方根誤差為

        (9)

        式中:k為樣本個數(shù);xi為第i個預(yù)測功率;yi為第i個實測功率。

        本文方法的預(yù)測結(jié)果RMSE指標(biāo)為3.544。

        5 結(jié)束語

        光伏發(fā)電功率的準(zhǔn)確預(yù)測對調(diào)度運(yùn)行和發(fā)電計劃的制定有重要影響,本文基于BP神經(jīng)網(wǎng)絡(luò)研究了光伏發(fā)電功率的預(yù)測方法。通過分析,天氣類型和光伏功率歷史數(shù)據(jù)的變化對光伏發(fā)電功率波動有較大影響。建立了光伏發(fā)電功率預(yù)測模型,并采用大唐吐魯番數(shù)據(jù)驗證了該方法的有效性。

        參考文獻(xiàn):

        [1] Domínguez-García J L, Gomis-Bellmunt O, Bianchi F D, et al. Power oscillation damping supported by wind power: A review[J]. Renewable & Sustainable Energy Reviews, 2012, 16(7):4 994-5 006.

        [2] Raval D Y, Munjani P J, Mansoori N R. Reference based Maximum Power Point Tracking Algorithm for photo-voltaic power generation[C]. International Conference on Electrical Power and Energy Systems. IEEE, 2017.

        [3] Ramakrishna R, Scaglione A. A compressive sensing framework for the analysis of solar Photo-Voltaic power[C]. Signals, Systems and Computers, 2016, Asilomar Conference on. IEEE, 2017:308-312.

        [4] Sharma D, Mishra S, Nanda J. Micro-grid operation and control of Photo-Voltaic power with canal based small hydro power plant[C]. Region 10 Conference. IEEE, 2017:1 289-1 293.

        [5] Philip J, Jain C, Kant K, et al. Control and implementation of a standalone solar photo-voltaic hybrid system[J]. IEEE Transactions on Industry Applications, 2016, 52(4):3 472-3 479.

        [6] Al-Messabi N, Goh C, Li Y. Grey-Box Modeling for Photo-Voltaic Power Systems Using Dynamic Neural-Networks[C]. Green Technologies Conference. IEEE, 2017:267-270.

        [7] Zhang H, Han X, Dou J Y. A Method to Forecast Photo-voltaic Power Outputs Based on Markov Chain[C]. International Power, Electronics and Materials Engineering Conference. 2015.

        [8] Han S J, Bae K Y, Park H S, et al. Solar Power Prediction Based on Satellite Images and Support Vector Machine[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3):1 255-1 263.

        [9] Glasbey C A, Allcroft D J. A spatiotemporal auto-regressive moving average model for solar radiation[J]. Journal of the Royal Statistical Society, 2010, 57(3):343-355.

        [10] 張 嵐,張艷霞,郭嫦敏,等. 基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J]. 中國電力,2010,43(9):75-78.

        [11] 張艷霞,趙 杰. 基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制,2011,39(15):96-101.

        [12] 陳昌松,段善旭,殷進(jìn)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(9):153-158.

        [13] 袁曉玲, 施俊華, 徐杰彥. 計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測[J]. 中國電機(jī)工程學(xué)報, 2013, 33(34):57-64.

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        色吧综合网| 嫩草伊人久久精品少妇av| 国产精品vⅰdeoxxxx国产| 婷婷丁香社区| 日韩av无码午夜福利电影| 日韩一区二区三区熟女| 国产极品女主播国产区| 精品国产乱码久久久软件下载 | 国产在线av一区二区| 久久精品中文闷骚内射| 久久国产色av| 91精品亚洲一区二区三区| 久久精品久99精品免费| 成人国产精品一区二区网站公司| 国产高潮刺激叫喊视频| 亚洲国产精品亚洲高清| 一本一道久久综合久久| 国产精品无码久久久久久| 亚洲一区视频在线| av天堂手机一区在线| 欧美v国产v亚洲v日韩九九| 日韩在线一区二区三区免费视频 | 亚洲中文久久精品字幕| 亚洲aⅴ在线无码播放毛片一线天 中国国语毛片免费观看视频 | 国产精品久久久精品三级18 | 精品成在人线av无码免费看| 5级做人爱c视版免费视频| 女同性恋亚洲一区二区| 久久九九精品国产av| 骚小妹影院| 午夜免费福利一区二区无码AV| 日本师生三片在线观看| 最新国产精品久久精品| 一级片久久| 在线亚洲妇色中文色综合| 国产精品无码av无码| 亚洲国产中文在线二区三区免 | 亚洲视频在线看| 日韩一区二区三区天堂| 大肉大捧一进一出好爽视频动漫| 99久久精品国产成人综合|