Microsoft Word _47-51_上接9和35页.doc

Size: px

Start display at page:

Download "Microsoft Word - 11-2015346_47-51_上接9和35页.doc"

愤张简
9 years ago
Views:

1 灰色动态 BP 神经网络在光伏短期出力预测中的应用娄宝磊 ( 国网技术学院, 济南 ) 摘要针对传统 BP 神经网络在光伏发电短期出力预测中的不足, 提出并实现了一种基于灰色动态 BP 神经网络的光伏发电短期出力预测模型通过灰色系统理论对 BP 神经网络因子集进行优化, 同时对 BP 神经网络的隐含层节点数进行动态调节将提出的模型应用于真实的光伏电站短期出力预测中, 预测结果和实测结果吻合度较高, 验证了模型的有效性关键词 :BP 神经网络 ; 灰色模型 ; 光伏发电 ; 短期出力 ; 预测 Short-term Output Power Predcto of Photovoltac Geerato based o a Grey Dyamc BP Neural Network Lou Baole (State Grd of Cha Techology College, J a ) Abstract I order to avod the shortcomgs of tradtoal BP eural etwork predctg the short-term output power of photovoltac geerato, a predcto model based o a grey dyamc BP eural etwork was proposed ad realzed ths paper. The grey system theory was adopted to mprove the factor set of tradtoal BP eural etwork, meawhle the umber of odes of hdde layer the BP eural etwork was adjusted dyamcally. At the ed the proposed model was used to predct the short-term output power a real photovoltac power stato. The results show that the predcted results agree well wth the measured results, whch verfes the valdty of the model. Keywords:BP eural etwork; grey model; photovoltac geerato; short-term output power; predcto 随着我国经济水平的不断提高, 对电力的需求不断加大, 化石能源的供应也日趋紧张太阳能光伏发电作为一种可再生能源, 近年来得到了快速的发展 [] 由于太阳能光伏发电是间歇能源, 其输出功率受到太阳辐射强度环境温湿度等因素的影响, 因此具有波动性为了尽量减少大规模光伏发电对电网造成的影响, 对光伏发电的出力进行预测显得极为重要目前针对光伏出力的预测方法主要可以分为直接预测法和间接预测法 [2-8] 直接预测法是根据光伏发电站的发电量历史数据和天气数据直接预测光伏电站的输出功率和发电量, 不需要对天气等外界环境进行预测由于直接预测法没有考虑天气的情况, 只是在历史数据统计的基础上进行预测, 其预测精度较低, 预测模型甚至可能失效间接预测方法结合光伏发电站历史数据和气象数据, 采用人工神经网络方法进行预测, 由于其在模型的建立过程中考虑了气象数据的变化, 预测准确度更高, 因而更具有潜在的应用价值 BP 神经网络具有强大的学习能力, 能逼近任意复杂的非线性函数, 在光伏发电短期出力的预测中得到了广泛的应用本文首先阐述了 BP 神经网络的算法原理, 分析了其存在的不足 ; 由此提出采用一种灰色动态算法对其进行改进, 从而实现了一种灰色动态 BP 神经网络方法 ; 最后将提出的方法应用于利用实际光伏电站短期出力的预测中, 并通过对比预测结果和实测结果, 证明所提出预测模型的有效性本文旨在为光伏发电短期出力预测提供一条可能的途径 205 年第 2 期 47

2 BP 神经网络算法及其缺点反向误差传递 (BP) 算法是目前应用最广泛的神经网络模型之一, 常见的 BP 神经元网络结构如图所示 [9-0] 图 BP 神经网络模型结构设其隐含层和输出层的神经元传输函数分别用 f 和 f 2 表示, 则网络的输出表达式为 ( ) Y f [ W f W X B B ] () 式中,X 为输入向量 ;Y 为输出向量 ;W B 分别为输入层到隐含层的权值矩阵和偏差矩阵 ;W 2 B 2 分别为隐含层到输出层的权值矩阵和偏差矩阵 BP 神经网络具有较好的学习自适应容错和联想能力, 具有高度的非线性系统特点然而, 传统的 BP 神经网络算法存在以下缺点 [] : ) 隐含层节点个数不易确定隐含层节点个数对 BP 神经网络的训练结果影响较大, 但是目前仍无确切的隐含层节点个数选择方法需要在选择其个数时, 只能通过经验和和多次尝试来确定, 存在盲目性和不确定性 [2] 2) 计算参数选取困难在 BP 神经网络的训练过程中, 计算参数的选取也存在一定的盲目性, 没有确切和准确的选取方法这些参数若选择不当, 则会引起收敛过程震荡甚至不能收敛 3) 收敛速度较慢, 且存在局部最小点网络的训练过程往往需要较长的时间, 特别是对于较大的模型同时, 由于非线性的梯度优化问题存在局部极小值, 故 BP 神经网络系统可能陷入局部最优, 导致网络得不到充分训练 2 灰色动态 BP 算法的实现针对传统 BP 算法的缺点, 利用灰色理论对输入层进行关联分析, 可以有效地确定 BP 神经网络中的主要影响因子, 不需要使用确切的数学模型来确定参数 [3-6] 另外, 灰色理论可以对隐含层节点个数进行动态校正, 从而可以有效地解决隐含层节点个数难以确定的问题 2. 灰色关联分析确定模型的因子集对于随机而复杂的非线性系统, 其影响因素较多且不易确定影响程度灰色关联分析可以用于分析系统影响因子集和系统行为特征量之间的关联程度, 较好地确定主要影响因子 [7] 设原始数据序列中,x 0 和 x 分别为参考序列和比较序列, 即 x 0 {x 0 (k); k, 2,, }, x {x (k); k, 2,, }(, 2, m); 式中则关联度法计算公式为 r j Δx k Δx k + σ σ k j ( ) ( ) 2 σ x ( x ( ) ), ( ) j j k xj xj xj k k k 2 σ x ( x ( ) ), ( ) k x x x k k k xj x (2) (3) 利用灰色关联分析方法, 对因子集中的各因子与监测物理量进行关联分析, 可以确定各因子和系统行为特征量之间的联系紧密程度, 根据实际情况确定输入层的因子个数和组成 2.2 动态设置隐含层节点个数设输入层结点个数为, 输出层结点个数为 m, 隐含层点个数为 0 并设有 N 个样本 (x k,y k ), 其中 (k, 2,, N),x k R,y k R m 的样本集为 A, x k 为输入,y k 为其相应的预期输出 ; 另有 M 个样本 X k (k, 2,, M) 的样本集为 B 其学习过程如下 : ) 初始化 f (, 2); 2) 根据样本 A 学习得权矩阵 W; 3) 由 B 验证权矩阵 W, 若正确, 则 f, 否则 f 0; 4) 根据样本 B 学习得权矩阵 W; 5) 由 A 验证权矩阵 W, 若正确, 则 f 2, 否则,f 2 0; 6) 若 P(f &f 2 ), 则计算结束, 否则, 增加年第 2 期

3 L 个隐含结点, 转第 2) 步灰色动态 BP 神经网络的流程图如图 2 所示 [] 图 2 灰色动态 BP 神经网络流程图 3 基于灰色动态 BP 算法的光伏发电短期出力预测 3. 影响光伏电站短期出力的主要因素太阳能本身具有能量输出不连续能量密度低稳定性不强的缺点而且即使对于同一地理区域, 季节天气等环境的变化也会对光伏电站的短期出力造成较大影响影响光伏电站出力的主要原因可以分为以下几个方面 [8-22] : ) 光伏阵列本身的效率会对整个光伏电站的出力造成直接的影响, 其效率越高, 在同等条件下的输出功率越多光伏阵列自身的光电转换效率和结构材料放射性离子辐射损伤等因素有关 2) 光照强度即光伏发电站所在位置接收到的太阳辐射随时间变化, 故其输出功率也随着太阳辐射的强度而改变 [23] 3) 光伏阵列的输出不仅和光照强度光伏电池本身的转换效率有关, 还受到大气温度的影响不同温度情况下的光伏阵列的输出功率 P s 为 ( ) Ps ηsi t (4) 式中,η 为光伏阵列转换效率 ;S 为阵列面积 ;I 为光照强度 ;t 0 为大气温度由式 (4) 可以看出, 光伏阵列的输出功率会随着温度的变化而改变, 随着温度的升高, 光伏阵列的输出功率有所降低 4) 光伏电站所在的地理位置经纬度和海拔高度等也会对光伏电站的出力造成影响在不同气候条件下不同季节其出力也不同另外, 即使在短时间内的同等条件下, 云层阴影等原因也会对光伏电站的输出功率造成影响, 风速就是云层阴影的影响因素之一为了对光伏电站的短期出力进行预测, 需要综合考虑以上因素但是由于某一光伏电站其光伏阵列的效率为固定值, 其效率因素已经包含在历史数据中, 因此, 本文考虑的光伏电站出力的影响因素为 : 温度风速太阳辐射均值及光伏电站的海拔高度 3.2 基于灰色动态 BP 算法的光伏短期发电预测本文将预测日前两天的整点时刻 ( 早晨 6 时至下午 8 时 ) 的输出功率和平均温度风速太阳辐射均值及光伏发电站的海拔高度作为输入量在使用样本数据前首先对样本数据按照公式 (5) 进行归一化处理 : x x x max x m x m (5) 式中, x 为归一化数据,x 为原始数据,x m 为原始数据中的最小值 ;x max 为原始数据中的最大值归一处理后的数据首先通过灰色理论进行关联分析, 分析影响光伏电站输出功率的主要影响因素将分析后的数据平均分为两组对 BP 神经网络进行训练, 训练过程中的两组数据相互校验进而动态确定隐藏层的节点个数, 从而可以减小工作量提高工作效率, 解决 BP 神经网络隐含层节点难以确定的问题误差分析是光伏短期出力预测的重要一步, 也是科学评价预测模型指导预测结果合理应用的前提本文采用平均绝对百分比误差 (e MAPE ) 对预测结果进行误差分析 e MAP E N A P N (6) A 式中,A 为第个样本的实测值 ;P 为第个样本的预测值 ;N 为样本的个数本文利用新疆某光伏发电站的 0 月 2 日至 7 日共计 6 天的实际数据和天气情况对灰色动态 BP 神经网络进行训练在建立模型时, 将样本数据平均分为两组, 首先通过灰色关联分析样本数据的相关系数, 根据相关系数最终确定输入层的因子, 并动态调整隐含层的节点个数当两组样本之间的训练和预测都满足精度要求时, 训练结束训练结束后取预测日前天 205 年第 2 期 49

4 的整点时刻发电功率出力和平均温度对预测日的出力进行预测 0 月 8 日光伏电站短期出力的预测结果和实测结果的对比如图 3 所示图 3 光伏发电站出力预测结果和实测值比较从图 3 可得, 本文算法的预测值和实测值的平均绝对百分比误差为 9.47%, 吻合度较好, 且分布规律相同其中,07 00~09 00 期间, 相对误差范围 2.49%~6.54%;0 00~5 00 期间, 相对误差范围为 6.5%~5.65%;6 00~8 00 期间, 相对误差范围为 2.33%~32.56% 由此可以看出, 在清晨和傍晚时刻预测值和实测值的相对误差较大, 这主要是清晨和傍晚的水汽悬浮颗粒物等原因造成的 4 结论 ) 基于灰色动态的 BP 神经网络通过优选因子集动态设置隐藏层节点个数等方式弥补了常规 BP 神经网络方法的不足, 可以减小工作量提高工作效率, 解决隐含层节点难以确定的矛盾 2) 由于光伏发电站的出力受到多种影响因素的共同影响, 其为典型的非线性特征采用灰色动态 BP 神经网络可以有效地对其短期出力进行预测 3) 利用实际光伏发电站的出力数据对本文的灰色动态 BP 神经网络进行了验证, 结果表明本文算法的预测结果和实测结果吻合度较好, 分布规律相同, 可以应用于光伏电站的短期出力预测参考文献 [] 陈树勇, 宋书芳, 李兰欣, 等. 智能电网技术综述 [J]. 电网技术, 2009, 33(8): -7. [2] L Yz, Nu Jc. Forecast of power Geerato for grd-coected photovoltac system based o Markov cha[c]//proceedgs of Iteratoal Coferece o Asa-Pacfc Power ad Eergy Egeerg. Wuha, Cha, 2009: -4. [3] Dage M, Davd M, Lauret P, et al. Revew of solar rradace forecastg methods ad a proposto for small-scale sular grds[j]. Reewable ad Sustaable Eergy Revews, 203, 27: [4] Cao Jc, Cao Sh. Study of forecastg solar rradace usg eural etworks wth preprocessg sample data by wavelet aalyss[j]. Eergy, 2006, 3(5): [5] 陈都平. 光伏功率预测与预测模型 [J]. 内蒙古电业, 20, [6] 胡学浩. 智能电网未来电网的发展态势 [J]. 电网技术, 2009, 33(4): -5. [7] 廖芳芳, 肖建. 基于 BP 神经网络 PID 参数自整定的研究 [J]. 系统仿真学报, 2005, 7(7): [8] 高洪深, 陶有德. BP 神经网络模型的改进 [J]. 系统工程理论与实践, 996, 6(): [9] 雷成华, 刘刚, 李钦豪. BP 神经网络模型用于单芯电缆导体温度的动态计算 [J]. 高电压技术, 20, 37(): [0] 王蕾, 张九根, 李腾, 等. 基于改进 BP 神经网络的中央空调冷负荷预测研究 [J]. 计算机测量与控制, 204, 22(6): [] 岳建平. 灰色动态神经网络模型及其应用 [J]. 水利学报, 2003, 7(7): [2] 盛建龙, 熊绵国. 基于灰色 -BP 神经网络组合模型的边坡稳定性预报方法 [J]. 有色金属 : 矿山部分, 202, 64(4): [3] Pcault D, Raso B, Bacha S, et al. Forecastg photovoltac array power producto subject to msmatch losses[j]. Solar Eergy, 200, 84(7): [4] Sh J, Lee WJ, Lu Yq, et al. Forecastg power output of photovoltac systems based o weather classfcato ad support vector maches[j]. IEEE Trasactos o Idustry Applcatos, 202, 48(3): [5] L Yoghuag, Lee PC, Chag Tapeg. Adaptve ad hgh-precso grey forecastg model[j]. Expert Systems wth Applcatos, 2009, 36(6): [6] Zhu Xl. Applcato of composte grey BP eural etwork forecastg model to motor vehcle fatalty rsk[c]//iteratoal Coferece o Computer Modelg ad Smulato, 200: [7] Ha YZ, Rua Z, Ha JG. O fuzzly-processed- BP-etwork-based dual-mode cotrol wth realzato o o-le recofgurable FPGA[C]//Proceedgs of the 2005 Iteratoal Coferece o Neural Networks 年第 2 期

5 ad Bra, VOLS -3, 2005: [8] 王守相, 张娜. 基于灰色神经网络组合模型的光伏短期出力预测 [J]. 电力系统自动化, 202, 36(9): [9] Xue JG, Uchda S, Rad BP, et al. Asymmetrc tadem orgac photovoltac cells wth hybrd plaar-mxed molecular heterojuctos[j]. Appled Physcs Letters, 2004, 85(23): [20] 王飞, 余世杰, 苏建徽, 等. 太阳能光伏并网发电系统的研究 [J]. 电工技术学报, 2005, 20(5): 72-74, 9. [2] 李蓓, 李兴源. 分布式发电及其对配电网的影响 [J]. 国际电力, 2005, 9(3): [22] 周念成, 闫立伟, 王强钢. 光伏发电在微电网中接入及动态特性研究 [J]. 电力系统保护与控制, 200, 38(4): [23] 王淳, 高元海. 基于概率统计的含间歇性分布式发电的配电网无功优化 [J]. 电网技术, 204, 38(4): 娄宝磊 (986-), 男, 山东济南人, 硕士, 中级讲师, 主要从事电力系统继电保护方面的工作 ( 上接第 9 页 ) 39(6): 66-69, 658. [4] 傅坚, 徐剑, 陈柯良, 等. 基于振动分析法的变压器在线监测 [J]. 华东电力, 2009, 37(7): [5] 冯永新, 邓小文, 范立莉, 等. 大型电力变压器振动法故障诊断与发展趋势 [J]. 变压器, 2009, 46(0): [6] 程锦, 李延沐, 汲胜昌, 等. 振动法在线监测变压器绕组及铁心状况 [J]. 高电压技术, 2005, 3(4): 43-45, 48. [7] 马宏彬, 何金良, 陈青恒. 500kV 单相电力变压器的振动与噪声波形分析 [J]. 高电压技术, 2008, 34(8): [8] 马经纬, 陈坚, 魏本刚, 等. 容性设备在线监测装置便携式调试仪的设计与实现 [J]. 电气技术, 204(2): 4-8, 9. [9] 张艳玲, 邵玉槐, 陈奇, 等. 电能质量在线监测装置的算法研究 [J]. 电气技术, 2009(7): 0-4. [0] 高泽溪, 高成. 直接数字频率合成器 (DDS) 及其性能分析 [J]. 北京航空航天大学学报, 998(5): [] Wllams AB, Taylor FJ. 电子滤波器设计 [M]. 北京 : 科学出版社, 李林锐 (99-), 男, 硕士研究生, 主要研究方向为电力系统在线监测技术和高电压试验技术 ( 上接第 35 页 ) 哈尔滨 : 哈尔滨工业大学, 20. [0] 丁然, 王崇林, 朱金龙. 基于信号注入法的电容电流测量仪研究 [J]. 工矿自动化, 2007(2): [] 曾祥君, 于永源, 周有庆, 等. 配电网谐振状态与单相接地状态的辨识 [J]. 电力系统自动化, 998(8): [2] 余宇红. 铁磁谐振过电压的研究 [D]. 杭州 : 浙江大学, [3] 王亮, 李文艺, 施围. 0kV 系统中铁磁谐振过电压的计算机仿真研究 [J]. 高压电器, 2004, 40(4): 蔡晋 (990-), 男, 硕士研究生, 研究方向为配电网及其自动化 205 年第 2 期 5

第期李伟等用方法对中国历史气温数据插值可行性讨论

第期李伟等用方法对中国历史气温数据插值可行性讨论李伟李庆祥江志红使用插值方法对已经过质量控制和均一化的年月年月中国全部基本基准站气温资料逐月进行空间插值通过站点的实际序列与插值后格点序列进行比较针对相关系数和线性趋势等多个量来检验方法对气候资料插值的