基于ANN和时间周期性的光伏电站辐照度预测研究

光伏发电在减少环境污染、改善能源结构、缓解能源危机等方面作用突出,已成为全世界可再生能源发展的重要方向。太阳辐射是影响光伏发电功率的主要因素,其本身的随机性和周期性变化使得光伏发电功率呈现间歇性和波动性,大规模光伏电站并网会给电力系统的调度管理、电网安全运行带来挑战,总之,太阳辐照度的预测对于光伏发电功率预测以及光伏发电的规划、运行与控制具有重要意义。 目前国内外围绕太阳辐照度短期预测的研究方法主要包括回归分析、时间序列和神经网络等,其中神经网络预测模型相对于其它方法有较好的预测结果。本文对如何提高辐照度神经网络短期预测模型性能和预测效果在输入变量选取、模型结构优化、预测输出修正三个方面进行了研究。首先,对现有辐照度神经网络短期预测模型的输入输出变量进行了分析,现有模型输入变量多为辐照度历史数据序列,在类别上并未考虑其它与辐照度直接相关的因素,在数量上多为24维甚至更多,可能会因冗余信息过多而降低预测精度和泛化能力,针对此问题,引入环境温度、风速、气压、积日等与辐照度直接相关的因素作为预测模型的输入,将多维历史辐照度序列简化为辐照度的均值和方差,剔除冗余信息,对比不同输入变量组合的神经网络模型预测结果,确定合理的输入变量组合。其次,在确定模型输入变量之后,神经网络模型的结构就成为决定其预测性能的关键因素,为此,采用交叉验证的方法对模型的结构和参数进行优化,依据误差指标确定神经网络模型的隐层个数、隐层神经元数、传输函数、训练函数等,完成了对其网络结构的优化。再次,在确定模型输入变量和网络结构之后,考虑辐照度的时间周期性,利用历史同期辐照度数据通过加权累加的方式,对短期预测模型的输出进行修正,确定了预测模型输出和修正数据各自合理的权重,并依据天气类型给出修正数据的类型系数,从而区分不同类型天气在时间周期性相似程度方面的差异,最终获得融合神经网络模型输出与时间周期性修正的预测结果。最后,采用某光伏电站实测数据,对神经网络模型进行训练,通过多种神经网络模型预测结果的对比分析,验证了本文方法的有效性与合理性。实测数据的预测结果表明,基于ANN和时间周期性的短期预测模型精度较高,可用于太阳辐照度的短期预测,为光伏发电功率的准确预测奠定了基础。