基于小波神经网络的分布式光伏发电出力预测
|
摘要
光伏出力预测是电网规划的重要组成部分,其预测精度关系到电力系统的安全、稳定及运行。同时对电力系统调度、电力市场营销以及发电公司竞价上网都具有很大的影响。由于光伏阵列输出功率受环境影响很大,且具有随机性、波动性和间歇性,因此建立合适的预测模型,提高光伏电站出力预测的精度是本文的主要研究内容。
在分析现有的BP神经网络、小波神经网络预测方法的基础上,本文提出了基于改进小波神经网络算法的预测模型,该模型结合小波神经网络的优良性能同时采用Levenberg-Marquardt算法进行数值优化。在训练样本选取上,采用数据挖掘技术,应用改进余弦相似性度量方法和欧式距离相结合的方法,对样本数据库进行分类。应用BP神经网络、小波神经网络及改进小波神经网络三种模型对晴天、阴天、多云转阴、中雨四个样本集分别进行了预测并与实际值进行分析比较,通过相对误差和平均相对误差两个指标来评价本文所用的预测模型。结果显示采用改进小波神经网络算法的预测模型对晴天的预测效果比对阴天、多云转阴、中雨的精度都要高,对于阴天、多云转阴和中雨样本采用改进小波神经网络算法的预测模型能大致的反应光伏出力的变化趋势,对于光伏发电系统配合电力系统制定发电计划仍具有较高的参考价值,证明本文基于改进小波神经网络光伏出力预测模型的正确性及有效性。同时,本文把自抗扰控制技术应用于光伏的DC-DC的控制中,通过仿真结果显示,自抗扰控制技术能提高光伏在外部条件变化时的输出特性,有利于光伏的最大功率输出和提高光伏的发电效率。
PV output prediction is an important part of the planning of the grid. The PV array output power is affected by the environment. The output power has randomness, Intermittent and instability. The forecast accuracy of PV output power that related to the power system security, stability, operation. It have a great impact to network planning, power system scheduling, power marketing and power generation companies bidding. Therefore, improve PV output prediction accuracy is the main contents of this thesis.
On the basis of the analysis of existing BP neural network, wavelet neural network prediction method, this paper proposed a prediction model that based on improved wavelet neural network algorithm, the model combines the excellent performance of the wavelet neural network and Levenberg-Marquardt algorithm for numerical optimization. On the selection of training samples, this paper using data mining techniques, the use of improved combination of similarity and Euclidean distance to classify the sample database. BP neural network, wavelet neural network and improved wavelet neural network of the three models on the sunny, cloudy, cloudy to overcast, moderate set of four samples were carried out to predict and the actual value of the analysis and comparison, by the relative error and average relative error indicators to assess the predictive models used in this article. Results show that the improved algorithm of wavelet neural network prediction model prediction of sunny to cloudy, cloudy to overcast, moderate rain, the accuracy should be high, cloudy, cloudy to overcast, moderate rain samples using improved wavelet neural network algorithm model can predict the approximate reaction PV output trends, still has high reference value for the photovoltaic power generation system with the power system to develop power generation plan, to prove the correctness and effective of this thesis based on improved wavelet neural network PV output prediction model. The same time, this thesis use ADRC control technology that used to control in photovoltaic DC-DC. Displayed by the simulation results show that ADRC control technology can improve the output characteristics of PV in the external conditions change, PV maximum power output and improve the efficiency of the photovoltaic power generation.
在分析现有的BP神经网络、小波神经网络预测方法的基础上,本文提出了基于改进小波神经网络算法的预测模型,该模型结合小波神经网络的优良性能同时采用Levenberg-Marquardt算法进行数值优化。在训练样本选取上,采用数据挖掘技术,应用改进余弦相似性度量方法和欧式距离相结合的方法,对样本数据库进行分类。应用BP神经网络、小波神经网络及改进小波神经网络三种模型对晴天、阴天、多云转阴、中雨四个样本集分别进行了预测并与实际值进行分析比较,通过相对误差和平均相对误差两个指标来评价本文所用的预测模型。结果显示采用改进小波神经网络算法的预测模型对晴天的预测效果比对阴天、多云转阴、中雨的精度都要高,对于阴天、多云转阴和中雨样本采用改进小波神经网络算法的预测模型能大致的反应光伏出力的变化趋势,对于光伏发电系统配合电力系统制定发电计划仍具有较高的参考价值,证明本文基于改进小波神经网络光伏出力预测模型的正确性及有效性。同时,本文把自抗扰控制技术应用于光伏的DC-DC的控制中,通过仿真结果显示,自抗扰控制技术能提高光伏在外部条件变化时的输出特性,有利于光伏的最大功率输出和提高光伏的发电效率。
PV output prediction is an important part of the planning of the grid. The PV array output power is affected by the environment. The output power has randomness, Intermittent and instability. The forecast accuracy of PV output power that related to the power system security, stability, operation. It have a great impact to network planning, power system scheduling, power marketing and power generation companies bidding. Therefore, improve PV output prediction accuracy is the main contents of this thesis.
On the basis of the analysis of existing BP neural network, wavelet neural network prediction method, this paper proposed a prediction model that based on improved wavelet neural network algorithm, the model combines the excellent performance of the wavelet neural network and Levenberg-Marquardt algorithm for numerical optimization. On the selection of training samples, this paper using data mining techniques, the use of improved combination of similarity and Euclidean distance to classify the sample database. BP neural network, wavelet neural network and improved wavelet neural network of the three models on the sunny, cloudy, cloudy to overcast, moderate set of four samples were carried out to predict and the actual value of the analysis and comparison, by the relative error and average relative error indicators to assess the predictive models used in this article. Results show that the improved algorithm of wavelet neural network prediction model prediction of sunny to cloudy, cloudy to overcast, moderate rain, the accuracy should be high, cloudy, cloudy to overcast, moderate rain samples using improved wavelet neural network algorithm model can predict the approximate reaction PV output trends, still has high reference value for the photovoltaic power generation system with the power system to develop power generation plan, to prove the correctness and effective of this thesis based on improved wavelet neural network PV output prediction model. The same time, this thesis use ADRC control technology that used to control in photovoltaic DC-DC. Displayed by the simulation results show that ADRC control technology can improve the output characteristics of PV in the external conditions change, PV maximum power output and improve the efficiency of the photovoltaic power generation.
引文
[1]郑志杰,李磊,王葵.大规模光伏并网电站接入系统若干问题的探讨[J].电网与清洁能源,2010,26(2)：74-77
[2]http://www.yjrb.com.cn/web/jy/xwdt/webinfo/2010/07/03/1283931153321227.htm#科普之窗第28期
[3]http://www.xjgc.com智能电网研发中心.我国新能源政策.
[4]范瑞祥,吴素农.江西电网光伏电源规模化接入的对策探讨[J].江西电力,2009,33(6)：1-6
[5]卢静,翟海青,刘纯,王晓蓉.光伏发电功率预测统计方法研究[J].华东电力,2010,38(4)：0563-0564.
[6]LORENZANNETTE E, HEINEMANN H. Short term forecasting of solar radiation based on satellite data [C]. Euro Sun 2004.
[7]YONA A, SENJYU T, FUNABASH I T. Application of recur2 rent neural network to short2term2ahead generating power forecasting for photovoltaic system[C]. IEEE Power Engineering Society General Meeting,2007.
[8]CO IMBRA C FM, GUO Q H, DELPLANQUE J P. The solar power forecasting Initiative [J]. Solar Energy. Today and Tomorrow,2008,9 (26).
[9]BOF INGER S, HEILSCHER G. Solar electricity forecast-app roaches and first results [C]. 21st European Photovoltaic Solar Energy Conference,2006.
[10]HEINEMANN D, LORENZ E, GIRODO M. Forecasting of Solar Radiation[EB/OL]. http: //www.Energy 2meteorology.de.
[11]兰华,廖志民,赵阳.基于ARMA模型的光伏电站出力预测[J].电测与仪表,2011,48(542)：31-34.
[12]贺琳,李英姿.改进GM(1,1)残差修正模型在光伏发电量短期预测中的应用[J].北京建筑工程学院学报,2008,24(4)：61-65.
[13]段锋,杨芬.灰色预测模型的研究及应用[J].湖南学院学报.2008,29(2).
[14]赵勇,李勇刚.灰色理论在中长期负荷预测中的应用[J].内蒙古科技与经济,2008,156(2)：83-84.
[15]陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报,2009,24(9)：153-158.
[16]S.Ranman, R.Bhatnagar. An Expert System Based Algorithm for Short-term Load Forecasting[J].IEEE Trans on Power Systems,1998,13(2):392-399.
[17]李军,许继生,王生渊,景满德,李春来,尚国斌.一种并网型光伏电站光功率及发电量预测的方法[J].青海电力,2010,29(2)：18-19.
[18]刘敬,高志建.应用神经网络法预测光伏系统发电功率[J].大功率技术,20103(28)：28-32.
[19]张颖,高中文.基于时间序列和神经网络的电力系统负荷预测[J].哈尔滨理上大学学报,2003,8(1)：30-36.
[20]栗然,李广敏.基于支持向量机回归的光伏发电出力预测[J].中国电力,2008,41(2)：74-77.
[21]李广敏.考虑光伏并网发电的短期负荷预测[D].华北电力大学硕士论文,2007.
[22]聂如清.基于粗糙集理论的光伏并网发电量预测[D].北京建筑工程学院硕士论文,2010.
[23]韩祯祥,张琦,文福拴.粗糙集理论及其应用综述.控制理论与应用,1999,16(2)：153-157.
[24]代春燕.粗糙集理论及其应用发展综述.重庆工商大学学报(自然科学版)2004,21(6)：575-579.
[25]阎继伟.时间序列的数据挖掘研究[D].上海交通大学硕士学位论文,2006.
[26]张德丰Matlab小波分析与工程应用[M].国防工业出版社,2008,13-15.
[27]冉启文,单永正,王骐,王建赜.电力系统短期负荷预报的小波-神经网络-PARIMA方法[J].中国电机工程学报,2003,23(3)：38-42.
[28]张涛.基于小波神经网络的电力系统负荷预测[D].哈尔滨理工大学硕士论文,2009.
[29]宋超,黄民翔,叶剑斌.小波分析方法在电力系统短期负荷预测中的应用[J].电力系统及其自动化学报,2002,14(3)：8-12.
[30]田雨波.混合神经网络技术[M]科学出版社,2009,283-303.
[31]S.R.Wenham,M.A.Green,M.E.Watt,R.Corkish著.光伏应用学[M]狄大卫,高兆利等泽,上海交通大学出版社,2007.
[32]R.Strzelecki G.Benysek等著.智能电网中的电力电子技术[M].许政译,机械工业出版社,2010,313.
[33]Gilbert M.Masters著.高效可再生分布式发电系统[M].王宾,懂新洲译,机械工业出版社,2010,377-378.
[34]Stefan krauter著.太阳能发电-光伏能源系统[M].王宾,懂新洲译,机械工业出版社,2005,15-22.
[35]杨金焕,于化从,葛亮.太阳能光伏发电应用技术[M].电子工业出版社,2009,51-56
[36]李乔,吴捷.自抗扰控制及其在DC-DC变换器中的应用[J].电工技术学报,2005,20(1)：83-88.
[37]雷一,赵争鸣.大容量光伏发电关键技术与并网影响综述[C].第四届中国高校电力电子与电力传动学术年会论文集,454-459.
[38]J.Bebic. Power System Planning:Emerging Practices Suitable for Evaluating the Impact of High-Penetration photovoltaics. National Renewable Energy Laboratory,2008,
[39]何国庆,许晓艳,黄越辉等.大规模光伏电站控制策略对孤立电网稳定性的影响(英文)[J].电网技术,2009,33(15)：20-25.
[40]Bialasiewicz.J.T. Renewable Energy Systems With Photovoltaic Power Generators: Operation and Modeling[J]. IEEE Transactions on Industrial Eleetronics,2008,55(7):2752-2758.
[41]S.Achilles,S.Schramm,and J,Bebie.Transmission System Performance Analysis for High-Penetration Photovoltaics[J]. National Renewable Energy Laboratory,2008.
[42]赵平,严玉廷.并网光伏发电系统对电网影响的研究[J].电气技术,2009,3：41-44.
[43]GB/T12325-2008《电能质量供电电压偏差》
[44]GB/T12326-2008《电能质量供电电压偏差》
[45]GB/T 15543-2008《电能质量三相电压不平衡》
[46]国家电网公司《光伏电站接入电网技术规定》
[47]GB/T 14549-1993《电能质量公用电网谐波》的规定
[48]温阳东,王欣.分布式发电对配电网继电保护的影响[J].继电器,2006(1).
[49]许晓慧,主编.智能电网导论[M]中国电力出版社,2009.
[50]李敏,李钷,刘涤尘.改进相似同评价函数在短期负荷预测中的应用[J].高电压技术,2006,32(10)：114-117.
[51]蔡佳宏,刘俊勇.超短期负荷预测中相似日的选择方法[J].华北电力大学学报,2006,33(1)：38-41.
[52]罗滇生,何洪英.基予形态相似准则的曲线拟合算法及其在超短期负荷预测中的应用[J].电网技术,2007,31(21)：81-84.
[53]康重庆,程旭,夏清,沈瑜.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化,1999,23(18).
[54]周晖,王玮,秦海超,王书春,姜红.基于多时段气象数据判断相似日的日负荷曲线预测研究[J]继电器,2005,33(23).
[55]阎继伟.时间序列的数据挖掘研究[D].上海交通大学硕士学位论文,2006.
[56]王洪元,史国栋.人工神经网络技术及其应用[M].中国石化出版社,2002,29-31.
[57]张德丰.Matlab小波分析与工程应用[M].国防工业出版社,2008.
[58]张德丰.MATLAB(?)神经网络应用设计[M].机械工业出版社,2009.
[59]魏东.非线性系统神经网络参数预测及控制[M].机械工业出版社,2008.
[60]朱美龙.小波神经网络在遥感溢油图像去噪中的应用[D].北京邮电大学,2011.
[61]阎平凡,张长水.人工神经网络与模拟进化计算[M].清华大学出版社,2002.
[62]Martin T.Hagan.Howard B.Demuth. Mark H.Beale神经网络应用设计[M].戴英(译),机械工业出版社,239-256.
[2]http://www.yjrb.com.cn/web/jy/xwdt/webinfo/2010/07/03/1283931153321227.htm#科普之窗第28期
[3]http://www.xjgc.com智能电网研发中心.我国新能源政策.
[4]范瑞祥,吴素农.江西电网光伏电源规模化接入的对策探讨[J].江西电力,2009,33(6)：1-6
[5]卢静,翟海青,刘纯,王晓蓉.光伏发电功率预测统计方法研究[J].华东电力,2010,38(4)：0563-0564.
[6]LORENZANNETTE E, HEINEMANN H. Short term forecasting of solar radiation based on satellite data [C]. Euro Sun 2004.
[7]YONA A, SENJYU T, FUNABASH I T. Application of recur2 rent neural network to short2term2ahead generating power forecasting for photovoltaic system[C]. IEEE Power Engineering Society General Meeting,2007.
[8]CO IMBRA C FM, GUO Q H, DELPLANQUE J P. The solar power forecasting Initiative [J]. Solar Energy. Today and Tomorrow,2008,9 (26).
[9]BOF INGER S, HEILSCHER G. Solar electricity forecast-app roaches and first results [C]. 21st European Photovoltaic Solar Energy Conference,2006.
[10]HEINEMANN D, LORENZ E, GIRODO M. Forecasting of Solar Radiation[EB/OL]. http: //www.Energy 2meteorology.de.
[11]兰华,廖志民,赵阳.基于ARMA模型的光伏电站出力预测[J].电测与仪表,2011,48(542)：31-34.
[12]贺琳,李英姿.改进GM(1,1)残差修正模型在光伏发电量短期预测中的应用[J].北京建筑工程学院学报,2008,24(4)：61-65.
[13]段锋,杨芬.灰色预测模型的研究及应用[J].湖南学院学报.2008,29(2).
[14]赵勇,李勇刚.灰色理论在中长期负荷预测中的应用[J].内蒙古科技与经济,2008,156(2)：83-84.
[15]陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报,2009,24(9)：153-158.
[16]S.Ranman, R.Bhatnagar. An Expert System Based Algorithm for Short-term Load Forecasting[J].IEEE Trans on Power Systems,1998,13(2):392-399.
[17]李军,许继生,王生渊,景满德,李春来,尚国斌.一种并网型光伏电站光功率及发电量预测的方法[J].青海电力,2010,29(2)：18-19.
[18]刘敬,高志建.应用神经网络法预测光伏系统发电功率[J].大功率技术,20103(28)：28-32.
[19]张颖,高中文.基于时间序列和神经网络的电力系统负荷预测[J].哈尔滨理上大学学报,2003,8(1)：30-36.
[20]栗然,李广敏.基于支持向量机回归的光伏发电出力预测[J].中国电力,2008,41(2)：74-77.
[21]李广敏.考虑光伏并网发电的短期负荷预测[D].华北电力大学硕士论文,2007.
[22]聂如清.基于粗糙集理论的光伏并网发电量预测[D].北京建筑工程学院硕士论文,2010.
[23]韩祯祥,张琦,文福拴.粗糙集理论及其应用综述.控制理论与应用,1999,16(2)：153-157.
[24]代春燕.粗糙集理论及其应用发展综述.重庆工商大学学报(自然科学版)2004,21(6)：575-579.
[25]阎继伟.时间序列的数据挖掘研究[D].上海交通大学硕士学位论文,2006.
[26]张德丰Matlab小波分析与工程应用[M].国防工业出版社,2008,13-15.
[27]冉启文,单永正,王骐,王建赜.电力系统短期负荷预报的小波-神经网络-PARIMA方法[J].中国电机工程学报,2003,23(3)：38-42.
[28]张涛.基于小波神经网络的电力系统负荷预测[D].哈尔滨理工大学硕士论文,2009.
[29]宋超,黄民翔,叶剑斌.小波分析方法在电力系统短期负荷预测中的应用[J].电力系统及其自动化学报,2002,14(3)：8-12.
[30]田雨波.混合神经网络技术[M]科学出版社,2009,283-303.
[31]S.R.Wenham,M.A.Green,M.E.Watt,R.Corkish著.光伏应用学[M]狄大卫,高兆利等泽,上海交通大学出版社,2007.
[32]R.Strzelecki G.Benysek等著.智能电网中的电力电子技术[M].许政译,机械工业出版社,2010,313.
[33]Gilbert M.Masters著.高效可再生分布式发电系统[M].王宾,懂新洲译,机械工业出版社,2010,377-378.
[34]Stefan krauter著.太阳能发电-光伏能源系统[M].王宾,懂新洲译,机械工业出版社,2005,15-22.
[35]杨金焕,于化从,葛亮.太阳能光伏发电应用技术[M].电子工业出版社,2009,51-56
[36]李乔,吴捷.自抗扰控制及其在DC-DC变换器中的应用[J].电工技术学报,2005,20(1)：83-88.
[37]雷一,赵争鸣.大容量光伏发电关键技术与并网影响综述[C].第四届中国高校电力电子与电力传动学术年会论文集,454-459.
[38]J.Bebic. Power System Planning:Emerging Practices Suitable for Evaluating the Impact of High-Penetration photovoltaics. National Renewable Energy Laboratory,2008,
[39]何国庆,许晓艳,黄越辉等.大规模光伏电站控制策略对孤立电网稳定性的影响(英文)[J].电网技术,2009,33(15)：20-25.
[40]Bialasiewicz.J.T. Renewable Energy Systems With Photovoltaic Power Generators: Operation and Modeling[J]. IEEE Transactions on Industrial Eleetronics,2008,55(7):2752-2758.
[41]S.Achilles,S.Schramm,and J,Bebie.Transmission System Performance Analysis for High-Penetration Photovoltaics[J]. National Renewable Energy Laboratory,2008.
[42]赵平,严玉廷.并网光伏发电系统对电网影响的研究[J].电气技术,2009,3：41-44.
[43]GB/T12325-2008《电能质量供电电压偏差》
[44]GB/T12326-2008《电能质量供电电压偏差》
[45]GB/T 15543-2008《电能质量三相电压不平衡》
[46]国家电网公司《光伏电站接入电网技术规定》
[47]GB/T 14549-1993《电能质量公用电网谐波》的规定
[48]温阳东,王欣.分布式发电对配电网继电保护的影响[J].继电器,2006(1).
[49]许晓慧,主编.智能电网导论[M]中国电力出版社,2009.
[50]李敏,李钷,刘涤尘.改进相似同评价函数在短期负荷预测中的应用[J].高电压技术,2006,32(10)：114-117.
[51]蔡佳宏,刘俊勇.超短期负荷预测中相似日的选择方法[J].华北电力大学学报,2006,33(1)：38-41.
[52]罗滇生,何洪英.基予形态相似准则的曲线拟合算法及其在超短期负荷预测中的应用[J].电网技术,2007,31(21)：81-84.
[53]康重庆,程旭,夏清,沈瑜.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化,1999,23(18).
[54]周晖,王玮,秦海超,王书春,姜红.基于多时段气象数据判断相似日的日负荷曲线预测研究[J]继电器,2005,33(23).
[55]阎继伟.时间序列的数据挖掘研究[D].上海交通大学硕士学位论文,2006.
[56]王洪元,史国栋.人工神经网络技术及其应用[M].中国石化出版社,2002,29-31.
[57]张德丰.Matlab小波分析与工程应用[M].国防工业出版社,2008.
[58]张德丰.MATLAB(?)神经网络应用设计[M].机械工业出版社,2009.
[59]魏东.非线性系统神经网络参数预测及控制[M].机械工业出版社,2008.
[60]朱美龙.小波神经网络在遥感溢油图像去噪中的应用[D].北京邮电大学,2011.
[61]阎平凡,张长水.人工神经网络与模拟进化计算[M].清华大学出版社,2002.
[62]Martin T.Hagan.Howard B.Demuth. Mark H.Beale神经网络应用设计[M].戴英(译),机械工业出版社,239-256.