基于小波分解和智能神经网络的太阳能光伏短期功率预测-陈世杰-solarbe文库

资源描述：

基于小波分解和智能神经网络的太阳能光伏短期功率预测主讲人陈世杰单位上海电力学院太阳能研究所目录 1 问题的提出 2 小波变换和智能神经网络的描述 3 数据的处理和变量的选择 4 模型的仿真和预测 4.1 模型 1 4.2 模型 2 5 模型的分析与评价问题的由来和解决方案  问题的由来光伏输出功率在中午之前呈现上升趋势，并且在中午之后呈现下降趋势。如果不采用降低光伏输出功率非平稳特性的有效方法，常规功率预测方法不能保证预测结果的精度，甚至不能保证方法的收敛性。  解决方案小波分析方法可以有效地从原始信号中提取非线性和非平稳特征。它们适用于分析具有明显间歇性和非静态特性的可再生能源的波动。  因此，为了解决光伏输出功率的周期性和非平稳性问题，提出了一种基于 WD和 ANN的混合建模方法，实现了良好的算法收敛和预测结果。小波变换和智能网络的描述  太阳能光伏发电功率数据系列包含各种波动，尖峰和不同类型的非平稳性，可以将 WT视为用于隔离这些峰值。因此，使用 WT的太阳能 PV功率预测可用于改善 PV功率预测误差。  在太阳能光伏发电预测应用中， NN的主要功能是预测光伏发电下一个半小时，一小时或一天。 NNs经过训练，可以克服 NN的局限性，解决复杂问题的各种传统方法。数据的处理和因素的选择  太阳能电池组件中的半导体组成的太阳能电池通过光伏效应将太阳辐射转化为电能。光伏发电量主要取决于太阳辐射量。另外，其他天气参数，包括大气温度，模块温度，温度，风速和风向以及湿度被认为是估计 PV功率输出的潜在参数。 0 5 10 15 20 25 0 200 400 600 800 光照强度 P V 功率小时数光照强度某一天光照强度和功率的关系图 0 100 200 300 400 500 600 700 功率图 1.光照强度和 PV功率关系模型的数据描述本文提出一种结合小波分解和 NN的混合预测方法，用来预测光伏发电系统未来 24 h 的输出功率。本文所用数据取自光伏电站数据库，包括太阳辐照量 R（ Wh/m2）、温度 T （ ℃ ）、和光伏电站输出功率 P（ kW），采样频率为 1h。时间范围为 2013年 9 月 1号到 9月 29号，记录每天 24小时的瞬时功率值，环境温度、在特定倾斜角下的光照强度。模型 .小波分解模型 1.流程  步骤 1太阳能 PV功率数据时间序列（ PVt， PVt-12， PVt-20）通过 WT分解为四个分量，分解为近似信号（即 A3）和细节系数（即 D1， D2， D3）。  步骤 2在该步骤中，将来自步骤 1的单独分解信号馈送到 NN。他细节系数信号遵循类似的训练程序。该步骤 2还涉及将其他输入参数（例如 Rt， Rt- 12， Rt-20， Tt， Tt-12， Tt-20）考虑到 NN中。  步骤 3经过分解的近似（ A3）和细节（ D1， D2和 D3）信号的预测值经过 WT重建过程。最后，在小波重建之后获得的每小时太阳能 PV功率预测。图 .2013年 9月 26-29的功率预测 0 20 40 60 80 100 -200 -100 0 100 200 300 400 500 600 700 预测功率实际功率小时数预测功率 2013年9月26-29号的功率预测图 -100 0 100 200 300 400 500 600 700 实际功率模型 2.流程  步骤 1 NN网络的输入参数是当前小时 t和前一天（ t-24）的 PV功率和 SR的数据，即， PVt， PVt- 24， SRt， SRt-24。 PV数据序列通过 WT分解为四个分量逼近信号 A3和细节系数 D1， D2， D3。  步骤 2然后将分解的 PV信号（ A3， D1， D2和 D3）与 SR数据一起送到 NN网络。为了训练 NN网络，使用在预测日之前的过去 25天的输入数据。  步骤 3然后从 NN网络获得分解的近似信号和细节信号的预测值。最后，在小波重建之后获得期望的 PV功率输出预测。图 .2013年 9月 26-29号功率预测 0 20 40 60 80 100 0 100 200 300 400 500 600 预测功率实际功率小时数预测功率 2013年9月26-29号功率预测图 -100 0 100 200 300 400 500 600 700 实际功率参照物模型  模型 3输入变量 PV功率数据时间序列（ PVt， PVt-12， PVt-20），光照强度（ Rt， Rt-12， Rt- 20），环境温度（ Tt， Tt-12， Tt-20）直接进行 NN网络预测，神经元数目和训练数据等参数与模型 1保持一致，从而进行参照对比。  模型 4输入变量 PV功率数据时间序列（ PVt， PVt-24），光照强度（ Rt， Rt-24）直接进行 NN网络预测，神经元数目和训练数据等参数与模型 2一致，从而进行参照对比。模型的分析和评价 0 20 40 60 80 100 -200 0 200 400 600 800 光伏功率小时数实际功率模型1 模型2 模型3 模型4 光伏预测模型对比图图 8.光伏预测模型对比模型评价结果分析结论分析 1.总体来看，模型 2的结果是最好的； 2.单从 MESE均误差对比来看，通过小波变换后进行预测的模型 1,2都远远小于模型 3,4。小波分解可以有效的提取功率的特征，减少误差，提高预测精度。 3.单从 MAE平均绝对误差来看，模型 4和模型 2的 MAE远小于模型 1,3，主要是因为变量选择不一样所导致的。 4.模型 2,4只选择光照强度，模型预测从而提高，可见选择最合适的变量对提高预测精度具有巨大意义。