logo资料库

基于同类型相似日的神经网络光伏功率预测研究.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.63M 资料格式：pdf 举报 版权申诉
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
资料共10页，剩余部分请下载后查看
    中国科技论文在线 http://www.paper.edu.cn 基于同类型相似日的神经网络光伏功率预 测研究# 徐敏姣，徐青山** 5 10 15 （东南大学电气工程学院，南京 210096） 摘要：本文提出一种基于同类型相似日选取的改进 EMD 算法及 Elman 算法相结合的光伏功 率预测方法。首先对历史数据根据辐照时长及辐照强度进行聚类分析，确定待预测日的所 属类别及对应的辐照强度待预测时段；其次根据主环境特征量在待预测日所属类别中构建 同类型相似日时间序列，利用改进 EMD 算法对同类型相似日时间序列进行中值滤波，并按 波动程度进行模态分解，同类型模态划归一类，最后采用 Elman 算法对各模态类进行辐照 强度预测，进而得到光伏逐时发电功率值。该方法旨在提高弱辐照情况下对辐照强度预测 精准度，经验证，该方法适应了不同类型日的辐照强度预测，实现了更快速、准确的预测。 关键词：光伏功率预测；中值滤波；同类型相似日；EMD 分解； Elman 模型 中图分类号：TM615 A prediction model to forecast output of photovoltaic system based on similar days with neural network XU Minjiao, XU Qingshan 20 (School of Electrical Engineering, Southeast University, Nanjing 210096) Abstract: A prediction model of photovoltaic system based on the improved EMD and Elman neural network is proposed. First of all, Historical data is dealt by cluster analysis and principal component analysis. Then hourly sequences of similar days from the category of the predicted day are built according to principal environmental factors of solar radiation, which are decomposed to different channels after median filtering. Channels with similar characteristic are classified as a group, which are the inputs of each Elman model. The forecast target is the sum of Elman models outputs. This method aims to increase the forecast accuracy of photovoltaic system under weak solar radiation circumstance. Adaptability to different category is verified by cases at the end of paper. Key words: photovoltaic power forecast; median filtering; similar days; EMD; Elman 25 30 0 引言 为了推广太阳能的使用，我国对分布式光伏发电推行电量补贴政策[1]。由于分布式光伏 发电享受的补贴主要取决于自身发电量，不免存在某些投机的用户通过一定的技术手段使得 35 分布式光伏上网电表多计量发电量，进而获取高额补贴的风险[2]。为此，亟需开展分布式光 40 伏上网电量预测技术的相关研究，以实现对分布式光伏发电用户的上网电量的有效监管。 目前国内外对光伏出力预测的研究主要从以下两方面入手：1、基于历史数据的直接预 测法；2、基于历史统计规律，建立与气象条件相关的光伏出力模型的间接预测法。 文献[3]建立了一种基于 ARMA 模型的光伏电站预测模型，文献[4]将 BP 神经网络与改进 小波神经网络相结合进行预测，文献[5, 6]利用 BP 网络，通过历史数据预测下一时刻值辐照 基金项目：“中央高校基本科研业务费专项资金资助”（supported by “the Fundamental Research Funds for the Central Universities”）；“江苏省普通高校研究生科研创新计划资助项目”资助（SJLX15_0051） 作者简介：徐敏姣（1992-），女，硕士研究生，主要研究方向：新能源发电预测及分布式电源规划 通信联系人：徐青山（1979-），男，教授，主要研究方向：新能源发电预测及分布式电源规划. E-mail: xuqingshan@seu.edu.cn - 1 -
    中国科技论文在线 http://www.paper.edu.cn 强度数据，并由光伏发电出力转换公式对该时刻辐照强度值进行转换。前两种方法都将光伏 电站的出力按照天气类型划分为晴、阴、多云和雨 4 种类型，并将相同天气类型的出力数据 作为训练集进行出力预测分析，然而该方法欠缺对同类型气象条件下光伏出力差异度的考 虑。此外，尽管 BP 神经网络具有较强的非线性拟合功能[7, 8]，但是该算法是一种梯度下降 算法，容易陷入局部最优。文献[9]提出了基于马尔科夫链模型的预测方法，该方法仅对晴天 45 模型进行了验证，当天气情况变化剧烈时，该模型的适应性有待验证。文献[10]提出了一种 利用 EMD 方法对原始数据进行信号分解的数据预处理方法，该方法在一定程度上提高了预 测精确性，但当辐照强度变化曲线波动较大时同样存在适应性问题。文献[11]根据太阳辐照 强度、辐照时间、气温作为考量指标选取待预测日的相似日时间序列，然后对每一类相似日 50 建立 BP 神经网络模型进行光伏出力预测，该方法对气象条件进行分类，但是分类均较为粗 糙。 本文提出了一种基于改进 EMD 分解算法和 Elman 预测算法的短期光伏功率预测方法， 旨在提高弱辐照情况下对辐照强度预测精准度。最后，通过算例分析，比较不同模型的预测 误差，验证该方法的有效性。 55 1 基于辐照情况聚类的同类型日选取 本文基于美国能源部可再生能源实验室国家太阳辐照量数据库提供的 1990-2010 年太 阳辐照量及环境气象数据展开研究。采样数据包括每小时太阳辐照强度数据 （单位： ）、天空遮盖情况（蔽光云量 、全空遮蔽总量 ，单位：10%）、湿度 数据 （单位： ）、气压数据 （单位： ）、风速数据 （单位： ） 60 及云层高度数据 （单位： ）、降水量 （单位： ）等多个环境特征量。 1.1 基于辐照情况的历史数据聚类 图 1 为洛杉矶典型年日升日落及日辐照时长情况统计图，观察该图可以发现，由于季节 更迭，当地日辐照时长会呈现夏长冬短春秋居中的规律。因而，为了提高光伏功率预测精度， 首先根据当地季节特点将 1991-2010 年历史数据按日辐照时长进行聚类并划分成夏季段、春 65 秋段及冬季段，如表 1。 图 1 洛杉矶典型年日升日落及日辐照时长情况统计 Fig. 1 Time of sunrise and sunset and daily radiation period of Los Angeles - 2 - RI2/Wm_Ocld_Tcld_Rhum%Pmbar_Wspd/ms_Chgtm_Pwatcm
    中国科技论文在线 http://www.paper.edu.cn 70 表 1 按日辐照时长分类 Tab. 1 Classification of daily radiation period 日辐照时长/时 时间 年平均天数/天 季节段 14 12-13 10-11 3 月下旬至 9 月上旬 2 月上旬至 3 月中旬 9 月中旬至 10 月上旬 10 月中旬至 1 月下旬 127 143 95 夏季 春秋 冬季 日辐照情况除了受季节更迭影响外，还与天空云量覆盖情况密切相关[12]，因而根据数据 库中待预测区域的天空遮盖情况将该地区 1991-2010 年夏、冬、春秋时段数据各划分为 A、 B、C 三类，分别代表（无云）强日照情况、（多云）弱日照情况及无日照情况。 75 以上所述历史数据聚类分析流程如下： 图 2 历史数据聚类流程 Fig. 2 Flow chart of historical data cluster analysis 80 1.2 主环境特征量分析 主环境特征量指环境特征量中影响太阳辐照强度的主要特征量，此处采用距离分析法中 的积差法公式[13, 14]选取主环境特征量。为了使获得的主环境特征量具有一般性，此处选取 典型年辐照强度及环境气象数据作为主环境特征量分析的数据源。为了避免量纲影响，首先 将典型年各环境特征量及太阳辐照强度时间序列进行归一化，设归一化后的典型年某环境特 85 征 量 时 间 序 列 为 ， 太 阳 辐 照 强 度 时 间 序 列 为 ，则该环境特征量 对太阳辐照强度的影响可用 表示： （1） 的值越大，则该环境特征量的变化对太阳辐照强度的影响越大，即两者相关性越高。 选取数据库中美国洛杉矶典型年数据进行主环境特征量分析，得到各环境特征量对太阳辐照 90 强度影响程度结果，如表 2，选取 值较大的环境特征量作为主环境特征量。 本文选取的主环境特征量为蔽光云量 、全空遮蔽总量 、相对湿度 、云层高度 、风速 。 - 3 - 搜集历史数据夏季段冬季段春秋段根据辐照时长根据云层覆盖情况根据云层覆盖情况根据云层覆盖情况A类B类C类A类B类C类A类B类C类,1,2,,E[,,...,,...,]xxxxixneeee12[,,...,...,]inRIrrrrxExw,122,11()()(e)()nxixiixnnxixiiieerrwerrxwxw_Ocld_Tcld_Rhum_Chgt_Wspd
    中国科技论文在线 http://www.paper.edu.cn 表 2 环境特征量对太阳辐照强度的影响因子 Tab. 2 Impact factors of environmental elements on solar radiation 环境特征量 0.2940 0.3080 0.3449 0.0888 0.3849 0.3179 0.0716 95 1.3 同类型相似日的选取 同类型相似日指与待预测日环境气象信息具有较高相似度的同类型 n 天时间序列。选取 同类型相似日时，根据待预测日所在的季节时段及当日环境气象数据，在对应的分类中遍历 历史数据，搜索与待预测日的各时刻主环境特征量变化趋势及取值接近的日时间序列。鉴于 100 欧式距离公式[11]与余弦相似度公式可分别用来表征两个特征向量总体差异度及变化趋势性 特点，因而考虑将两者赋予权值整合，作为同类型日评价指标。设待预测日主环境特征量序 列 ，候选日主环境特征量序列 ： ， ， 105 其中 表示选取的 5 个主环境特征量， 为单个主环境特征量个数。如果待预测日归 属夏季段 A 类，则日升—日落时刻约为 6 时—19 时，此时 取 14。 相似度整合公式如下： （2） 其中 、 为权重系数，受天气情况影响，且满足 ，一般取经验值， 在 110 0~1 之间取值，值越大相似程度越高，同类型日选取 值最大的 天。 2 光伏预测原理 2.1 改进 EMD 分解算法 115 120 经验模态分解（Empirical Mode Decomposition，EMD）对非线性非平稳信号的处理具 有一定优势。传统 EMD 方法根据原始信号的时间尺度特征对信号进行分解，进而把原始信 号分解为一个趋势项和若干个表征不同波动情况的本征态函数（Intrinsic Mode Function， IMF），由此完成对信号的平稳化处理[15]。分解后的原始信号序列可表示为： （3） 尽管 EMD 分解克服了小波变换中小波基选择的困难，但是在对原始信号进行分解时， 如果受到噪声或间断事件的影响，则会产生信号的混叠而失真。为了改善预测精度，得到更 稳定的分解量，可以采取中值滤波的方法进行处理，再进行 EMD 分解。中值滤波是一种基 于排序统计理论的非线性平滑技术，能有效抑制叠加的噪声。 中值滤波的基本原理是利用替代点邻域中各点的中值代替该点，从而让周围的值接近真 实值，从而消除孤立的噪声点。 设同类型日辐照强度原始信号时间序列 ，时间窗口 125 （ 为整数），设在某时刻窗口内的原始信号为 ，即 为窗 - 4 - _OcldE_TcldE_RhumEPE_WspdE_ChgtE_PwatExwEC,1,i,m[,...,,...,]xjxjxjEEEE1,2,...,5j,1,,m[,...,,...,]xjxjixjCCCC1,2,...,5jxjmm552,,,k,k11,555222,,,,111cos()2max()mmxjkxjkxjxjkkECmmmxjkxjkxjkxjkkkkECECMECEC1,ECM,ECMn1(t)nkkIimfr12,,...,,...,imIIIII21LNN,...,(i),...,IIiNIiNIi
    中国科技论文在线 http://www.paper.edu.cn 口的中心信号值。对窗口中 个信号值按从升序排列后，其中心值即为中值滤波的输出值， 表示为： （4） 经中值滤波后，得到去噪后的同类型日时间序列 。 130 2.2 Elman 预测算法 Elman 神经网络较之 BP 神经网络模型，除了包含输入层、输出层和隐含层外，还多了 一个用于反馈连接的承接层，使得输出在时间上存在一定延时。由于承接层的存在，使得网 络具有记忆功能[16-20]。Elman 预测时首先初始化各个权值 并对数据进行归一化，然后计算 神经元，需注意的是隐含层神经元输出值会经承接层反馈计算后再次返回隐含层[21]。Elman 网络结构图如图 3。 135 图 3 Elman 网络结构 Fig. 3 Structure of Elman neural network 2.3 预测模型 140 利用改进 EMD 分解与 Elman 算法进行光伏预测时，首先根据待预测日所在季节分段及 主环境特征量中云量覆盖情况选取待预测日的归属类，确定预测时间段（时刻 ）， 其次在归属类中根据待预测日的 5 个主环境特征量选取待预测日的同类型日 天，构成 组 同类型日时间序列，本文 取 7。随后进行改进 EMD 分解并利用“3-1 滚动法”进行 Elman 神经网络预测。 145 1) 改进 EMD 分解算法具体步骤 步骤 1：对 组同类型日辐照强度时间序列进行中值滤波处理，得到去噪后的 组辐照 强度时间序列 ，其中 ； 步骤 2：对 组辐照强度时间序列 分别进行 EMD 分解，得 到同类型日各组辐照强度序列的本征模态分解量 及趋势项 。 150 2) Elman 神经网络算法具体步骤 步骤 1： 时刻的辐照强度预测 “3-1”滚动法指待预测时刻点的辐照强度由该点的前三个时刻预测得到，因而该法仅适 - 5 - L',...,,...,IimedianIiNIiIiN'''''12,,...,,...,imIIIII1YtLYt.........输出层隐含层输入层1XtNXt1UtMUt1cXtcNXt承接层...1wt2wt3wt12,,...,mxxxnnnnn''''',1,2,t,,,...,,...,ttttimIIIII1,tnn''''',1,2,t,,,...,,...,ttttimIIIII,1,2,,,...,tttsimfimfimftr123,,xxx
    中国科技论文在线 http://www.paper.edu.cn 用于待预测日的 时刻，前三时刻由同类型日对应时刻取均值得到； 步骤 2： 时刻的辐照强度预测 155 首先，将 组本征模态集及待预测日本征模态进行归类处理，各组中分解后波动程度相 同 或 相 近 的 模 态 归 为 一 类 ， 得 到 模 态 集 ， 其 中 ， ； 其次，对每个模态集 进行“3-1”滚动 Elman 预测，得到 模态集 对应的 待预测日 时刻的 模态集输出 ，每个模态集均对应一个 Elman 预测模型。最后，对 160 所有模态集 时刻的预测输出进行叠加，即可得到 时刻的预测输出值 。总算法流程如 图 4 所示。 图 4 光伏预测模型算法流程图 Fig. 4 Flow chart of photovoltatic system prediction model 165 对预测结果选取绝对百分比误差 MAPE（ ）进行评估，其中 为 时刻实际辐照 强度。 MAPE： （5） 光伏功率输出功率可由工程模型[17]计算得到： - 6 - 45,,...,mxxx45,,...,mxxxnp1,p2,p,p,,...,pnIMFimfimfimf1,2,...,qpqmaxspIMFppIMFixp,xipIixixxiI待预测日主环境特征量时间序列搜索n天同类型日对n组辐照强度时间序列分别进行EMD分解模态归类1IMF2IMFqIMFr...Elman模型1预测结果 待预测时刻ixim 判断待预测日所属类别，确 定待预测时段12,,...,mxxxElman模型q预测结果Elman模型q预测结果...累加Elman模型2预测结果 时刻预测结果ix1ii3i取同类型日 时刻辐照强度均值ixNOYESYESNO开始结束,ExiIix,11mExixiixiIImI
    中国科技论文在线 http://www.paper.edu.cn （6） 170 其中， 、 为工作的光伏板串并联数； 为总的工作效率； 为光伏板面积； 为单位面积斜面太阳辐照强度； 为斜面倾角； 为光伏板温度系数； 为光伏板板温。 3 算例分析 本节算例基于 1991-2010 年洛杉矶当地辐照强度数据及环境气象数据，选取 2010 年 4 月 27 日及 1 月 13 日作为待预测日。经分析，4 月 27 日属夏季段 A 类辐照情况，待预测时 段为 6 时—19 时；1 月 13 日属冬季段 B 类辐照情况，待预测时段为 8 时-18 时。 175 下面分别采用三种模型对 4 月 27 日及 1 月 13 日两天逐时辐照强度进行预测，并对预测 结果进行比较分析。 模型 1：采用 Elman 神经网络进行预测。选取同类型日辐照强度序列构成 Elman 训练集， 利用“3-1”滚动法构建神经网络预测模型，获得待预测日各时刻辐照强度值。 模型 2：采用传统 EMD 分解算法与 Elman 算法组合进行预测。对同类型日辐照强度序 列进行 EMD 分解后，各分量分别进行 Elman 预测，最后将预测值进行叠加构成待预测日逐 时辐照强度序列。 模型 3：采用改进 EMD 分解算法与 Elman 算法组合进行预测。利用中值滤波对同类型 日辐照强度序列进行预处理，出去原始信号中噪声量，再将除噪后的辐照强度序列分别进行 EMD 分解和 Elman 预测。 4 月 27 日及 1 月 13 日的模型 1-3 各时刻的预测结果与当天的实际辐照情况的比较如图 180 185 5、图 6 所示，其绝对百分比误差如表 3、表 4 所示。 190 Fig. 5 Comparison of solar radiation under three forecast models for Apr.27th 图 5 夏季类 A 类型日（4 月 27 日）三种模型预测结果比较 - 7 - 125cosspxiPVPVxicPNNSITsPVNpPVNSxiIacT时刻681012141618辐照 强 度W/m202004006008001000模型1模型2模型3实 际情 况
    中国科技论文在线 http://www.paper.edu.cn 图 6 冬季段 B 类型日（1 月 13 日）三种模型预测结果比较 Fig. 6 Comparison of solar radiation under three forecast models for Jan.13th 195 通过图 5 与图 6 可以看出通过模型 3 得到的预测曲线更接近于实际情况，表 3、表 4 表 明其预测的精度总体上高于模型 1 和模型 2，该情况表明本文提出的通过改进 EMD 算法和 Elman 预测算法相结合的光伏预测方法可以在一定程度上减小预测的误差。 此外，通过对图 5 与图 6 的比较可以发现，在强辐照强度情况下三种模型的预测曲线较 为接近，且都较接近真实情况，而在弱辐照强度情况下，三种模型的预测曲线差异度较大， 模型 3 在辐照强度预测上的优势体现得更为明显。这一点不难理解，强辐照情况下多为晴朗 200 天气，天空云量覆盖率较小，因此由于云层遮挡而导致辐照强度变化的不确定性较小，日辐 照强度变化曲线接近抛物线。反之，当云量覆盖率较大时，辐照强度变化曲线波动较大，相 比模型 1 与模型 2，模型 3 通过中值滤波滤除随机噪声，保留其规律性部分，并兼具 EMD 分解算法与 Elman 算法的优势，从而达到较好的预测效果。另一个主要原因在于，在同类 型日选取部分，A 类型待预测日的同类型日时间序列相比 B、C 类，与实际辐照强度情况的 相似程度更高，因此 A 类型待预测日的三种模型的预测精度要好于 B、C 类。 205 表 3 三种模型 4 月 27 日预测误差比较 Tab. 3 Comparison of prediction error under three forecast models for Apr.27th 时刻 6 7 8 9 10 11 12 13 14 15 16 17 18 19 模型 2 0.054622 0.073758 0.083211 -0.102 0.034497 -0.02306 -0.09543 -0.1133 -0.12943 -0.07171 0.02149 -0.21446 0.125874 -0.57895 模型 1 0.054622 0.073758 0.083211 0.034472 -0.12702 -0.09353 -0.09543 -0.1133 -0.11417 -0.07171 -0.09363 0.182528 0.324324 -0.90053 - 8 - 模型 3 0.054622 0.073758 0.083211 -0.102 -0.06629 -0.02306 -0.108 -0.11366 -0.11417 -0.07171 -0.09363 -0.18873 0.324324 0.090908 810121416180100200300400模型 1模型 2模型 3实际情况时刻辐照 强 度W/m2
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料