光伏发电功率预测方法与模型研究综述.docx

《光伏发电功率预测方法与模型研究综述.docx》由会员分享，可在线阅读，更多相关《光伏发电功率预测方法与模型研究综述.docx（27页珍藏版）》请在课桌文档上搜索。

1、光伏发电功率预料方法与模型探讨综述摘要近年来，随着对可再生能源需求的日益提高，太阳能光伏发电技术得到了快速的发展，大规模光伏发电系统的应用也日益广泛起来，但也随之出现了很多问题。由于太阳辐射量:与季度、阴晴及昼夜等气象条件亲密相关，从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点，而且考虑到储能技术上的不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的平安程定运行和电能质量等带来严峻挑战，从而限制光伏发电产业的发展，所以对光伏发电系统输出功率进行预料时丁电力系统运行而言具有特别重要的意义0本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预料方法进行分类，并依

2、据统计方法和物理方法为依据，对太阳辐照量预料进行预料和干脆对光伏发电系统的输出功率预料两种方法进行阐述和细化对比。再依据各自所运用的数学模型不同符项料方法分为时间序列法、神经网络法、支持向量机方法、回来分析方法和智能预料方法。最终对不同分类的预料方法及相应的数学模型进行分析倒述和对比，说明其适用范围及精确度，并对其可行性进行分析，提出在功率预科中须要解决的问题。关键词：光伏系统：功率预料：数学模型；方法AbstractInrcccn1.years,withthedemandforrenewab1.eenergyincreasing,so1.arphotovo1.taictechno1.ogyh

3、asbeenrapiddeve1.opmentof1.arge-sca1.ephotovo1.taicpowergenerationsystemapp1.icationsareincreasing1.ywidespreadup.buta1.sowi1.1.bea1.o1.ofprob1.ems.Sincetheamountofso1.arradiationquarter.Teenageandotherweatherconditionsc1.ose1.yre1.atedtocircadian,resu1.tinginapoweroutputofphotovo1.taicpowergenerati

4、onsystemandintermittentrandomnessinherentshortcomings,andtakingintoaccountfactorssuchasenergystoragetechno1.ogyimmaturity,whena1.argenumberPVsystemCOnneCIedtothegrid,itmusthaveasafeandstab1.eoperationofpowersystemsandPoWCrqua1.ityposeseriouscha1.1.enges,thus1.imitingthedeve1.opmentofphotovo1.taicpow

5、ergenerationindustry,sotheoutputpowerofthephotovo1.taicpowergenerationsystemtopredictintermsofthepowersystemOperaIiOnhasaveryimportantsignificance.Basedontheimpactofphotovo1.taicpowerfactorana1.ysisoncurrent1.yavai1.ab1.ePVpowerpredictionmethodforc1.assification,andphysica1.methodsbasedonstatistica1

6、.methodsandisbasedontheamountofso1.arradiationforecastsandprojectionsdirec1.ytotheoutputpowerofphotovo1.taicsystemsforecastdescribestwomcthcx1.sandrefinedcontrast.Andthenaccordingtotheirmathcnaiica1.mode1.susedtoforecastmethodisdividedintodif1.-erenttimeseries,works,supportvectormachine,regressionan

7、a1.ysisandinte1.1.igentpredictionmethod.Fina1.1.y,thepredictionofdiI1.erentC1.assit1.cationmethodsandthecorrespondingmathematica1.mode1.1.oana1.yzeandcomparee1.aborated,indicatingitsscopeandaccuracy,anditsfeasibi1.ityana1.ysis,forecastinginpowerneedtobereso1.ved.Keywords:PVsyste11n;PowerPrediction;M

8、athematica1.mode1.;Method摘要IAbstractI1.目录11前言31.1 课题探讨背景31.2 课逐探讨意义31.3光伏产业国内外发呈现状31. 4国内外对功率预料方法探讨的发皇现状及存在问题41.5本文涉及的预料方法概述62光伏发电系统特性概述82.1 光伏发电系统组成82. 2光伏电池的特性82.3 影响光伏发电系统输出功率的因素92.4 光伏电池组件的出力模型103功率预料基本方法及特点122.5 基于支持向量机回来的预料方法122.5.1 支持向量机方法及其特点122.5.2 支持向量机回来算法及特点132.6 基于径向神经网络的预料方法143. 2.1神经网

9、络预料方法基础144. 2.2径向神经网络特点153.3小波分析方法163.3.1小波相关理论基础163.3.2Ma1.1.at鸵法173.3.3逐日太阳辐照量时间序列的小波分解173. 4递推最小二乘法183.5相像日选取算法184主要功率预料模型及其简要分析204.1光伏发电预料模型的建立204.1.1 影响预料模型精度的因素分析204.2光伏发电基本预料模型214. 2.1三种基础的数学理论模型简介224. 2.2三种理论模型的优劣对比234. 3功率预料模型的结构组成24结论25参考文献261前言1.1 课题探讨背景光伏发电功率预料预料是能量管理中急需解决的问题。光伏发电与风力发电一样

10、,均属于波动性和间歇性电源,同时.各用户或小区运用的光伏电池种类及其安装位置随机性也大，光伏发电系统受光照强度和环境温度等气候因素的影响.输出功率的变更具有不确定性.输出功率的扰动将有可能影响电网的稳定.因此,须耍加强光伏发电功率预料的探讨,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电安排,削减光伏发电的随机化问题对电力系统的影响.运用蓄电池来稳定光伏发电功率输出是种可行的方法,但须要追加成本,而I1.废旧蓄电池还会导致环境污染。因此.须要对光伏系统的发电功率进行精确预料,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的协作问网.这样有助于整个电力系

11、统的规划和运行,从而削减光伏发电随机性对电力系统的影响,提高系统的平安稳定性。因此对光伏系统进行功率预料是很有必耍的。1.2 课题探讨意义目前随着大规模的光伏发电系统应用日益广泛，也出现/越来越多的问题.由丁太阳辐射量同季度、昼夜及阴晴等气象条件有关，造成光伏发电系统输出功率间歇性和随机性的固有缺点，而J1.目前存在储能技术不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的平安桎定运行和电能质量等带来严峻挑战，从而限制光伏发电的发展速度和规模，所以对光伏发电系统输出功率进行预料对于电力系统运行具有特别至要的意义。1.3 光伏产业国内外发呈现状太阳能作为一种新型可再牛能源.与传统能

12、源相比具有可再生.无污染,来源广泛等优点是杵代化石能源的主要选择。太阳能光伏发电产业是20世纪80年头以后世界上增长股快的高新技术产业之一。1839年,法国的科学家Bccqurc1.就发觉,光照能够使半导体材料不I可部位之间产生电位差,这种现象被称为“光伏效应”。每秒到达地面的太阳光能量高达8()万千瓦,假设把到达地球表面0.1%的太阳能转为电能,转化率5%,每年的发电量就能达到561012千瓦时,相当于世界能耗量的40倍。正是由于这些优势,太阳能电池不断发展.种类日益增多、应用范围逐步增大、市场规模也不断地扩大作为太阳能的重要应用,光伏发电技术已经成为各国争相发展的新能源技术之一。2011年

13、,美国提出“太阳能先导安排”意在降低太阳能光伏发电的成本,使其20154F达到商业化竞争的水平;日本也提出了在2020年达到28Gw的光伏发电总批;欧洲光伏协会提出了“3C1.fOr2020”规划，规划在202（）年让光伏发电做到商业化竞争，可见,在发展低碳经济的大背景下,各国政府对光伏发电的认可度渐渐提高。中国也不廿落后，据业内估计2011年我国新增光伏装机量有达到2.5GW,同比增长400%.十二五相关规划也将2015年的光伏装机目标从IOGw上调到I5GW,2020年将达到50GW。随着光伏技术的不断发展,光伏发电的成本也Ki之不断下降,再加上各国对光伏产业的支持力度,我们有理由信任大规

14、模利用光伏发电为人类供应服务的前景将更加广袤。光伏系统发电的竞争力正在不断提高,己经成为r最受重视的新能源发电技术太阳能光伏发电系统工作原理是当有太阳光的时候.太阳能电池将光能转换为电能输出,多组太阳能组件构成的方阵输出电流并通过接线箱进行汇总,然后输入能源安排系统。输入电能一方面通过充放电雎元给蓄电池组进行充电,另一方面通过逆变系统在能源安排单元的限制作用下给负载供电，平衡安排通过太阳能转化的电能与电网电能.做到优先充分利用太阳能电力,同时能源安排单元保证当太阳能不足时,刚好切换至由电网供电.目前,光伏发电产品主要用于三大方面：是供应电源,主要为广袤无电地区居民生活生产供应电力,还包括些移动

15、电源和备用电源;二是太阳能日用电子产品,如各类太阳能充电器.太阳能路灯等:三是并网发电,这在发达国家已经大面积推广实行,如谯国“10万屋顶安排”和美国“百万个太阳能屋顶安排、我国并网发电刚起步,2008年北京/绿色奥运部分用电就由太阳能发电和风力发电供应,还有2011年甘前最大光伏发电项目敦煌太阳能综合利用示范项目暨100兆瓦光伏并网发电项目在敦煌建成投产2）11年世界最大的屋顶电站项目一一兴业太阳能20兆瓦屋顶电站项目实现投产。1.4 国内外对预料方法探讨的发呈现状及存在问题目前，国外以欧洲、日本等国家的光伏发电系统输出功率预料技术探讨已有忖定的探讨进展，如丹麦、西班牙、意大利、日本等国已开

16、展和研发利用气象预报信息对光伏电站输出功率进行预料的探讨和应用。丹麦ENFOR公司开发的So1.arfor系统是较具代表性的光伏发电输出功率预料系统，其将输出功率历史数据、短期的数值天气预报信息、地理信息、日期等要素进行结合，利用自适应的统计模型对光伏发电系统的短期（048h）输出功率进行预料。意大利Jije1.高校Ade1.MeHit等对的里雅斯特地区（意大利）的20KW并网光伏电站所在地气象数据和系统功率数据进行采集和分析，利用两种人工神经网络模型（太阳辎照量和气温作为网络输入）对系统输出功率进行预料，平均偏差仅为3.1%和5.4%6,西班牙JoCn高校AImOnaCid等采纳神经网络方法

17、，以实时测量的光伏阵列温度、太阳总辐照量为输入值，对应条件下实测电流-电压曲线为目标函数，利用反向传播算法1.-M优化方法，训练多层传感器（M1.P）模型，求解出养近实际工况的电流-电压曲线，建立了光伏发电量与太阳总轴照量、光伏电池板温度之间的函数关系，对Joen高校19.08kW的光伏电站输出功率进行预料，经校验，2003年发电量预报值与实测数据的历史相关系数高达0.998,71.印度SudiptaChakraborty等人采纳每小时的测地信息（太阳辐照量、温度、压力、湿度、日照时间等）作为输入，利用模糊自适应谐振网络预料每小时的日类型信息，然后由日类型信息计克光伏阵列的输出功率，取得较好的

18、预料效果,德国O1.denbUrg高校1.orenz等人依据欧洲中尺度天气预报中心（ECMWF）供应的将来3天太阳总辎照预报数据，结合第国境内I1.个光伏电站观测资料来预报光伏发电量，在2007年4月和7月，光伏发电量预报的相对均方根误差分别为39%和22%,.日本RyUkyUS高校A1.SUShiYona等人将前18小时温度、气压、相对湿度、风速等作为神经网络输入，分别利用前馈神经网络、径向基神经和递归神经网络对太阳辐照量进行预料,进而得出光伏发电系统输出功率，取得较好的预料效果，也具有较好的代表性UZ日本NTTFaeiIitieS公司Kudo等人依据历史气象资料和日本爱知县世博园区33Ok

19、W光伏系统发电员数据，进行多元回来分析，建立预报方程，预料将来一天05:0019:00的逐时发电量，并利用“预报+实测+接近订正”的方案，降低了天气预报误差对于输出功率预料精确性的影响。经校验，2005年3月25日至9月26日，日均发电量硕报误差为25.6%,时均预报误差为3O53%m.目前国内对光伏发电系统输出功率预料技术尚处F理论性研发阶段。湖北省气象局牵头的“太阳能光伏预报系统探讨”项目，依据光伏电站将来3天逐时辎照任和输出功率，并采纳了两种发电员:预报方法，是基于大气辐照传输、光电转换、直流/沟通变换（DoAC）和沟通并网等系列物理原理的原理预报法，二是基于数值天气预报3-1留意:假如

20、y离X越远.K(x.y)随之变小,则每个元素确定了测试点X与对应的数据基点Xj的接近程度。这样,上面的核函数的总和可以用来确定每个测试点与源下同一个或者另一个待分类集合的数据点的相对接近程度.支持向量机的推广性能(估计精度)确定丁变换参数和核函数参数的设21.事实上,支持向室机模型的困难性(包括推广性)依靠十三个参数的共同作用,这增加了选择最佳参数的困难性。选择特定的核函数类型和核函数参数通常要基于应用领域的学问.并且要反映训练数据输入值的分布状况。支持向量:机可以用于避开在高维特征空间运用线性函数的困难，而且最优化问题可以转换为对偶的凸二次规划问题,这也是支持向电机算法的一个优点。支持向量机

21、(SVM)有如下几个特点：1 .SVM用内急核函数代替高维空间的非线性映射：非统性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射：2 .对特征空间划分的最优超平而是SVM的目标,最大化分类边际的思想是SVM方法的核心：3 .支持向量是SVM的训练结果,在SVM分类决策中起确定作用的是支持向量：4 .SVM是一种有坚实理论基础的新奇的小样本学习方法。5 .它基本上不涉及概率测度及大数定律等，因此不同丁现有的统计方法。7.从本质上看,它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回来等问题：6 .SVM的最终决策函

22、数只由少数的支持向量所确定，计算的困难性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避开了“维数灾难”；7 .少数支持向量确定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本，而I1.注定了该方法不但算法简洁，而旦具有较好的“鲁棒”性。与此同时这种方法也存在有两个不足：1.SVM算法对大规模训练样本难以实施由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大盘的机器内存和运算时间。针对以上问题的主要改进有有JPE1.的SMO算法、Uoachims的SVM.等的PCGC4张学工的CSV

23、M以及等的SOR算法2.用SVM解决多分类问题存在困难经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决,主要原理是克服SYY固有的缺点，结合其他算法的优势，解决多类问题的分类精度。如：与粗集理论结合，形成种优势互补的多类问题的组合分类器。3.1.2支持向量机回来算法及特点支持向量机不但可以应用于分类问题,还可以解决回来问题。VIadimirVapnik.HarrisDrucker.ChrisBurges.1.indaKa

24、ufman和1.exSmo1.a1.9964;提出了用于回来分析的SVM1叫做支持向量回来（supportvectorregressionsVR）,由上面描述的支持向量分类演化而来。因为到分隔边缘距离很远的训练样本点不会对用来建立模型的成本函数造成影响,所以支持向量分类模型仅依靠训练数据集的一个子集类似地，由于成本函数忽视了任何预料模型旁边的训练数据（运用阀值），支持向星回来模型也仅仅依兆训练数据集的个子集。支持向量分类和回来问题中个重要的观点:运用训练点的较小子集来解决问题可产生极大的计算量优势。运用显示密集损失函数，保证了全局最小值的存在，同时也确保了牢罪的泛化边界的最优化。支持向量机的推

25、广性能（估计精度）确定于变换参数C）和核函数参数的设理“事实上,支持向量机模型的困难性（包括推广性）依靠三个参数的共同作用，这增加了选择最佳参数的困难性。选择特定的核函数类型和核函数参数通常要基于应用领域的学问,并且要反映训练数据输入值（X）的分布状况。参数C确定模型困难度和最优化方程能够容忍误差大于的程度之间的平衡。例如:假如C无穷大,那么目标变为仪仅将阅历风险最小化,不考虑优化方程中模型困难度的部分。参数C限制延迟区域的宽度,用于适应训练数据的值能够影响用来构造回来函数的支持向量的个数“&值越大,选择的支持向府越少.另一方面J值越大,得到的估计结果越平滑。因此,C和的取值在不同的方面影响着

26、模型的困难度。支持向量机可以用于避开在高维特征空间运用线性函数的困难，而11最优化问题可以转换为对偶的凸二次规划问题,这也是支持向量机.算法的一个优点。在回来问题中损失函数用于惩处超过P阙值的错误.这种惩处函数通常可以推导出决策规则的稀疏矩阵表示,并供应有效的算法。3.2 基于径向神经网络的预料方法3.2.1 神经网络预料方法基础下图表示出作为人工神经网络（work,以下简称NN）的基本单元的神经元模型，它有三个基本要素：(1)一组连接(对应于牛物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制。(2) 一个求和单元，用丁求取各输入信号的加权和(线性组合)。(3)一

27、个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范国内(般限制在(M)或(-1,DZfHjk除单元特性外，网络的拓扑结构也是NN的个重要特性。从连接方式看NN主要有两种。(D前馈型网络各神经元接受前一层的输入，并输出给下一层，没有反饿。结点分为两类，即输入单元和计算单元，每一计克单元可有随意个输入，但只有一个输出(它可耦合到随意多个其它结点作为其输入)。通常前馈网络可分为不同的层，第i层的输入只与第iT层输出相连，输入和输出结点与外界相连，而其它中间层则称为隐层。(2)反馈型网络全部结点都是计算单元，同时也可接受输入，并向外界输出。NN的工作过程主要分为两个阶段：第一个阶段是学习

28、期,此时各计克里元状态不变，各连线上的权值可通过学习来修改：其次阶段是工作期，此时各连接权固定，计算单元状态变更，以达到某种稳定状态。从作用效果看，前馈网络主要是函数映射,可用于模式识别和函数靠近。反馈网络按对能量函数的微小点的利用来分类有两种：第一类是能增函数的全部微小点都起作用，这一类主要用作各种联想存储器：其次类只利用全局微小点，它主要用于求解最优化问题。多层前馈网络中，第一屋称为输入房，用以输入已知测量值。中间一U称为处理所或隐单元层，单元个数适当选取，对于它的选取方法，有些文献进行了探讨，但通过试脸来确定，或许是最好的途径。最上面层称为输出层，用以输出与每组输入数据相对应的分类信息。

29、对于一个多层网络，如何求得一组恰当的权值，使网络具有特定的功能，在很长一段时间内，曾经是使探讨工作者感到困难的一个问题，直到1985年，美国加州高校的一个探讨小组提出了所谓向后传播算法(BaCk-ProPagaIion),使问题有f重大进展，这一算法也是促成人工神经网络探讨迅猛发展的一个缘由。3.2.2 径向神经网络特点径向基(RBF)神经网络是一种局部靠近的神经网络.径向基神经网络具有三层结构，第层由数个感知单元组成，将网络和外界环境连接起来。其次层是隐含层，其执行的是种用于特征提取的非线性变换，然后作用函数对输入信号在局部产生响应：第三层为网络的输出层，而且网络的输出是线性的，基本结构如图

30、5.2所示，与传统的BP神经网络相比，RB1；神经网络隐层节点的数目可以依据须要确定，不用特地去选取，也克服了BP神经网络收敛速度慢和局部最小等缺点，所以更适用于实时监控的场合。图52径向基函数网络模里结构图径向基神经网络具有很强的鲁棒性和记忆实力，而且具有较强的非线性映射实力和自学习实力，因此有很大的应用市场.其主婴优点有以下几点：（1）它具有唯最佳拈近的特性1无局部微小问题存在。（2）具有较强的输入和输出映射功能，而且理论上可以证明，径向基神经网络是完成映射功能的最优网络。（3）网络的输出与连接间的权值与呈线性关系。（4）分类实力好。（5）网络在学习过程中，收敛速度较快.3.3 小波分析方法3.3.1 小波相关理论基础小波变换、的基本思想是以-族函数去表示和靠近一个信号或函数，即将时间信号绽开为这一簇函数的线性迭加。这一簇函数称为小波函数族（系），它是通过一个基本小波函数的不同尺度的平移和伸缩构成的。基本小波函数是一种特续时间很短的波，但并不是随意持续时间很短的波都是小波“小波具有良好的时域局部化的性质，正是由于基本小波的这个特性，使得小波变换适用于对非平稳信号的时频分析。小波变换在时领域卜的局部化特性反应出小波变换的尺度参数a和位移参数b共同的变更，不仅变更了连续小波函数的频谱结