基于bp神经网络的光伏发电功率预测模型

基于bp神经网络的光伏发电功率预测模型

光能的发电具有波动和延迟。大型光能电网的联合运营将影响能源系统的安全稳定运行。对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合,适时及时地调整调度计划,合理安排电网运行方式,一方面有效地减轻光伏接入对电网的不利影响,提高电力系统运行的安全性和稳定性,另一方面降低电力系统的旋转备用容量和运行成本,以充分利用太阳能资源,获得更大的经济效益和社会效益。光伏功率预测从预测方法上可以分为统计方法和物理方法2类。统计方法对历史数据进行统计分析,找出其内在规律并用于预测;物理方法将气象预测数据作为输入,采用物理方程进行预测。从预测方式上可分为直接预测和间接预测2类。直接预测方式是直接对光伏电站的输出功率进行预测;间接预测方式首先对地表辐照强度进行预测,然后根据光伏电站出力模型得到光伏电站的输出功率。从时间尺度上可以分为超短期功率预测和短期功率预测。超短期功率预测的时间尺度为30min～6h,短期功率预测的时间尺度一般为1～2d。目前,超短期功率预测的主要原则是根据地球同步卫星拍摄的卫星云图推测云层运动情况,对未来几小时内的云层指数进行预测,然后通过云层指数与地面辐照强度的线性关系得到地面辐照强度的预测值,再通过效率模型得到光伏电站输出功率的预测值。短期功率预测一般需要根据中尺度数值天气预报获得未来1～2d内的气象要素预报值,然后根据历史数据和气象要素信息得到地面辐照强度的预测值,进而获得光伏电站输出功率的预测值。目前国内在该方面的研究较少,文献根据历史功率数据和简单日模型估计,每1h建立1套神经网络模型预测光伏电站的输出功率;文献根据历史功率数据和简单日模型估计,每1h建立1套SVM模型预测光伏电站的输出功率。以上方法没有全面考虑有效的气象因素对光伏电站出力的影响,预测结果在多种气象条件下的适应性还有待检验。此外,电网调度部门要求功率预测的时间分辨率为15min,显然以上1h的预测结果并不能满足电网调度的实际要求。1光生伏打作用光伏电池是以半导体P-N结上接受光照产生光生伏打效应为基础,直接将光能转换成电能的能量转换器。当光照射到半导体光伏器件上时,在器件内产生电子—空穴对,在半导体内部P-N结附近生成的载流子没有被复合而能够到达空间电荷区,受内建电场吸引,电子流入N区,空穴流入P区,结果使N区储存了过剩的电子,P区有过剩的空穴。它们在P-N结附近形成与内建电场方向相反的光生电场。光生电场除了部分抵消势垒电场的作用外,还使P区带正电,N区带负电,在N区和P区之间的薄层就产生电动势,这就是光生伏打效应。见图1。一旦接通外电路,光伏电池即有电能输出。此时,如果将外电路短路,则外电路中就有与入射光能量成正比的光电流通过,这个电流称为短路电流,另一方面,若将P-N结两端开路,在这2个极之间产生了电位差,称之为开路电压。2影响因素分析包括光充电站输出的影响因素2.1辐照强度对光伏发电系统的影响辐照强度指在单位时间内,垂直投射在地球某一单位面积上的太阳辐射能量。从物理意义上来说,太阳的辐照是导致光伏电池产生伏特效应的直接影响影响因素,辐照强度的大小直接影响光伏电池出力的大小。图2为某光伏电站实测辐照强度与光伏电站实际有功功率的散点图,可见辐照强度与光伏电站的出力成正比关系。图3为在特定温度下,不同辐照强度对应的光伏电池伏安特性曲线,可以明显地看出随着辐照强度的增大,光伏电池的开路电压、短路电流变大,伏安特性曲线逐步向外侧偏移,引起输出功率的增大。因此辐照强度是影响光伏电站输出功率的最主要因素。太阳辐射到达地球大气外的辐射量用太阳常数GSC,其定义是地球大气层外位于日地平均距离处,垂直于光线的单位面积上所接受到的太阳辐射量。而到达地面光伏电站上的太阳辐照强度主要受到云量和太阳位置的影响。(1)太阳的剥削、下土及太阳角太阳相对地平面位置变化使得地面接收到的太阳能量时刻在变。由于地球的自转和公转,相对地平面来说,太阳的位置时刻在变化。在赤道坐标系中,太阳位置由时角ω和赤纬角δ2个坐标决定,见图4。时角ω表征了地球自转对太阳角度的影响,以正午12:00为零,上午时角为负,下午时角为正。赤纬角δ表征了地球公转对太阳角度的影响。1年中太阳直射点在南北回归线±23.45°之间移动,太阳直射点的纬度,即太阳中心和地心的连线与赤道平面的夹角称为赤纬角,以δ表示。人在地球上观看空中的太阳相对地平面的位置时,太阳相对地球的位置是相对于地平面而言的,通常用高度角α和方位角γz2个坐标决定,见图5。天顶角θz就是太阳光线OP与地平面法线QP之间的夹角,高度角α是太阳光线OP与其在地平面上投影线Pg之间的夹角,高度角与天顶角为互余关系。方位角γz是太阳光线在地平面上投影与地平面正南方向线的夹角。太阳高度角是纬度、赤纬角和时角的函数sinα=cosθz=sinδsinϕ+cosδcosω(1)太阳相对地平面位置的变化使得地面接收到的太阳能量时刻在变,对于倾斜表面,太阳入射线和倾斜面法线之间的夹角定义为入射角θi,由于太阳位置的变化,太阳入射角的大小也随太阳位置的变化而变化。总之,太阳入射角由光伏电站所在位置,光伏电池的倾斜角,季节,时间这些因素所决定的,因此,考虑太阳入射角能够准确的表述这些因素对太阳辐照强度的影响。(2)太阳辐射和太阳紫外辐射的对比云量为表征天空遮蔽程度的气象因子,这里用ρ表示。ρ值越大,表示空气的透明度越低,太阳辐射被削弱的越多。在晴朗无云的天气,云量很小,大气透明度高,到达地面的太阳辐射就多,光伏电站输出功率大;天空中云雾或者风沙、灰尘多时,云量大,大气透明度低,到达地面的太阳辐射就少,光伏电站输出功率小。对于水汽较少的干燥地区,削弱太阳直接辐射的主要因子是悬浮在大气中的固体微粒;而对于湿润地区,直接辐射的削弱主要与大气中的水汽和气溶胶中的液态微粒有关。2.2温度对光伏电池功率的影响当温度变化时,光伏电池的输出功率将发生变化。对一般的晶体硅光伏电池来说,随着温度的升高,短路电流会略有上升,而开路电压要下降,见图6。总体而言,随着温度的升高,虽然工作电流有所增加,但工作电压却要下降,而且后者下降较多,因此总的输出功率要下降。在规定的试验条件下,温度每变化1℃,光伏电池输出功率的变化值称为功率温度系数,通常用γ表示。对于一般的晶体硅光伏电池,γ=-(0.35～0.5)%/℃。3线性映射优化BP神经网络(BackPropagationNeuralNetwork)是指基于误差反向传播算法的多层前向神经网络,采用有导师的训练方式。BP神经网络具有以下特点:(1)能够以任意精度逼近任何非线性映射,实现对复杂系统建模;(2)可以学习和自适应未知信息,如果系统发生了变化可以通过修改网络的联接值而改变预测效果;(3)分布式信息存储与处理结构,具有一定的容错性,因此构造出来的系统具有较好的鲁棒性;(4)多输入、多输出的模型结构,适合处理复杂问题。本文采用BP神经网络建立光伏发电功率预测模型。根据上节分析,太阳入射角度,数值天气预报中的地面辐照强度、云量和温度是影响光伏电站出力的几个关键因素。因此将这几个变量作为模型的输入变量,考虑光伏电站所在位置,光伏板的安装角度,时间,季节,辐照强度,温度等多种因素的影响,将光伏电站的功率作为光伏电站的输出变量。神经网络的基本结构见图7。(1)最优的归一化历史功率数据BP神经网络模型本质上是统计数据进行学习,找出数据之间的规律进而进行预测。因此对训练样本进行适当的处理,剔除样本数据中的奇异数据,减少不同输入量之间的数值范围差异,能够提高神经网络的泛化能力,并提高预测精度。1)对数值天气预报的历史记录数据和光伏发电的历史功率数据进行筛选,消除其中的奇异数据。2)对输入数据和目标数据进行归一化处理P∗n=Pn−PminPmax−PminΡn*=Ρn-ΡminΡmax-Ρmin(2)式中Pn——输入数据或目标数据;Pmax——该样本中的最大值;Pmin——该样本中的最小值;P*n——归一化后的数据。(2)均方根误差评估常见的神经网络模型的评估方法为平均绝对误差,均方根误差等,均方根误差能够对出现较大误差的情况进行放大,采用均方根误差作为模型评估方法能够保证模型预测误差的平稳性。本文采用均方根误差RMSE=1P∑i=1N(Pip−Pia)N−−−−−−−−ue001⎷ue000RΜSE=1Ρ∑i=1Ν(Ρpi-Ρia)Ν(3)式中Pippi——预测值;Piaai——实际值;N——测试样本数;P——装机容量。4预测结果分析崇明前卫村光伏电站位于沿海湿润地区,总装机容量为1.08MW。在2008年全年的历史功率数据和历史数值天气预报数据中,去掉光伏电站出力为零的晚间时段,以天为单位,随机选取70%的历史数据作为训练数据,剩余30%的历史数据作为测试数据建立光伏发电功率预测模型。图8给出了测试数据预测结构的部分预测值和实际值的比较(不包含夜间辐照强度为零,光伏电站出力为零的时段)。由图8可以看出,无论晴天还是阴天,预测模型均可以根据气象因素的变化追踪到光伏电站输出功率的趋势,得到较好的预测结果。同时,也可以看出,以数值天气预报作为输入气象数据的短期光伏发电功率预测只能跟踪光伏电站数据功率的趋势,捕捉不到短时的云层变化信息,因此不能跟踪光伏电站输出功率的短时波动。表1给出了2008年30%随机测试样本的总体结果统计。其中,均方根误差和平均绝对误差采用相对于光伏电站总装机容量的百分数形式表示。该结果不包括对夜间光伏电站出力为零的时段的统计。由表1可知,预测结果的均方根误差和平均绝对误差分别是总装机容量的11.55%和8.19%,整体效果较好,而预测误差<20%光伏电站装机容量的概率达到95.31%,可见预测方法对各个预测点