基于PCA-Elman神经网络的短期PV/T组件温度预测
发布时间：2020-12-06 19:07
为了进一步提高光伏/光热一体化(PV/T)系统中PV/T组件温度的预测精度,使得PV/T系统能够根据PV/T组件温度的波动情况提前准确地做出控制决策,以优化控制效果,文章在分析PV/T组件温度与气象因素的相关性以及相邻时间序列温度自相关性的基础上,采用主成分分析法对原始输入样本数据进行预处理,并提取该样本数据的主成分,然后结合反馈型Elman神经网络理论,建立动态预测模型。研究结果表明,相对于未提取主成分的神经网络模型,提取主成分的神经网络模型的预测精度更高,泛化性能更强。
【文章来源】：可再生能源. 2017年12期 第1779-1785页 北大核心
【文章页数】：7 页
【部分图文】：
PV/T系统简图
入变量的维数相对降低、分量间的相关性也随之变校在此基础上，再应用Elman神经网络来建立PV/T组件温度预测模型，最终实现PV/T组件温度的预测。1PV/T系统介绍图1为平板型单晶硅PV/T组件的结构图。单晶硅PV/T组件通过导热层将热量传递给导热铜管，导热铜管中的循环水再将热量带走并进行利用。图2为PV/T系统简图。PV/T系统主要由PV/T组件、水泵、控制器、水箱组成，该系统可以实现太阳能的综合利用，通过控制循环水泵的转速，使光伏板工作在最合适的温度下，从而提高PV/T组件的发电效率。2主成分分析原理PV/T组件温度受多种因素的影响，各因素之间存在着复杂的相关性，这样就增加了PV/T组件温度的预测难度。本文通过主成分分析法，在众多影响因素中提取主成分，并将这些主成分转化成若干个包含主要数据信息的变量，然后消除不同变量之间复杂的相关性，从而简化了数据结构，提高了预测精度。本文假设研究对象有m组，每个研究对象包含n个变量，因此，构成了一个m×n阶的样本数据矩阵。基于此，PV/T组件温度的预测步骤如下。①数据归一化处理。对于不同类型的变量，其量纲和数值不同，数值差异较大时，计算过程中会产生较大的误差。因此，需要对原变量进行标准化处理，从而得到标准化的输入矩阵为Xm×n=x11…x1nxm1…xmn（1）②建立数据样本Xm×n的协方差矩阵R，并求得R的特征值λ1，λ2，…，λn，以及相应的特征向量[e1，e2，…，ep]T。③确定主成分个数。主成分贡献率和主成分累计贡献率分别为ηi=λi/niΣλi×100%（2）ηΣ（p）=piΣηi（3）通常，累计贡献率大于85%时，对应的前P个主成分便包含原始变量所提供的主要信息，即主?
露仁?葑魑??缪盗肥?据，共50个样本；接着，建立Elman神经网络模型，并选取2016年9月16日-2016年10月1日PV/T组件的温度数据来检验Elman神经网络模型的预测精度，共10个样本。由于太阳辐照度、环境温度、环境湿度、风速、风向的量纲不同且差异较大，因此需要对数据进行标准化处理[16]。其中，某一组数据x={x1，x2，…，xn}的变换公式为xi=（xi-x軃）/σ（x）（10）PCA历史数据主成分Elman神经网络模型T（t-2）T（t-1）T（t+1）TIrThjHhjWsWd图3PV/T组件温度预测流程图Fig.3PV/Tcomponenttemperaturepredictionflowchart图4Elman神经网络结构Fig.4Elmanneuralnetworkstructurey1（t）y1（t）x1（t）xn（t）xc1（t）xcn（t）ω1（t）ω2（t）ω3（t）u1（t）um（t）输出层隐含层输入层承接层李畸勇，等基于PCA-Elman神经网络的短期PV/T组件温度预测表1PV/T组件温度与气象因子的相关系数Table1CorrelationofmeteorologicalelementsandPV/Tmoduletemperature气象因子rT（t-2）0.75T（t-1）0.89Ir0.93Thj0.63Hhj0.59Ws0.11Wd0.12·1781·
【参考文献】：
期刊论文
[1]基于RBF神经网络的PV/T组件短期温度预测[J]. 李畸勇,赵振东,南君培,肖晶,李宜生,汤允凤. 广西大学学报(自然科学版). 2017(03)
[2]光强和温度对硅光伏电池输出特性的影响[J]. 肖文波,吴华明,傅建平,谭远福. 华中科技大学学报(自然科学版). 2017(01)
[3]基于Elman神经网络的齿轮箱故障诊断[J]. 刘景艳,李玉东,郭顺京. 工矿自动化. 2016(08)
[4]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[5]改进灰色Elman神经网络的风电机组振动特征预测[J]. 李其龙,王灵梅,申戬林,郭东杰. 可再生能源. 2015(06)
[6]基于小波变换的风电场短期风速组合预测[J]. 田中大,李树江,王艳红,高宪文. 电工技术学报. 2015(09)
[7]基于多位置NWP与主成分分析的风电功率短期预测[J]. 王丽婕,冬雷,高爽. 电工技术学报. 2015(05)
[8]基于数值天气预报的母线负荷预测[J]. 李博,门德月,严亚勤,杨军峰,周劼英,罗治强,曾丽莉. 电力系统自动化. 2015(01)
[9]气象要素对太阳能电池板温度的影响[J]. 潘进军,申彦波,边泽强,王香云. 应用气象学报. 2014(02)
[10]基于天气分型的风电功率预测方法[J]. 王勃,冯双磊,刘纯. 电网技术. 2014(01)
本文编号：2901886
【文章来源】：可再生能源. 2017年12期 第1779-1785页 北大核心
【文章页数】：7 页
【部分图文】：
PV/T系统简图
入变量的维数相对降低、分量间的相关性也随之变校在此基础上，再应用Elman神经网络来建立PV/T组件温度预测模型，最终实现PV/T组件温度的预测。1PV/T系统介绍图1为平板型单晶硅PV/T组件的结构图。单晶硅PV/T组件通过导热层将热量传递给导热铜管，导热铜管中的循环水再将热量带走并进行利用。图2为PV/T系统简图。PV/T系统主要由PV/T组件、水泵、控制器、水箱组成，该系统可以实现太阳能的综合利用，通过控制循环水泵的转速，使光伏板工作在最合适的温度下，从而提高PV/T组件的发电效率。2主成分分析原理PV/T组件温度受多种因素的影响，各因素之间存在着复杂的相关性，这样就增加了PV/T组件温度的预测难度。本文通过主成分分析法，在众多影响因素中提取主成分，并将这些主成分转化成若干个包含主要数据信息的变量，然后消除不同变量之间复杂的相关性，从而简化了数据结构，提高了预测精度。本文假设研究对象有m组，每个研究对象包含n个变量，因此，构成了一个m×n阶的样本数据矩阵。基于此，PV/T组件温度的预测步骤如下。①数据归一化处理。对于不同类型的变量，其量纲和数值不同，数值差异较大时，计算过程中会产生较大的误差。因此，需要对原变量进行标准化处理，从而得到标准化的输入矩阵为Xm×n=x11…x1nxm1…xmn（1）②建立数据样本Xm×n的协方差矩阵R，并求得R的特征值λ1，λ2，…，λn，以及相应的特征向量[e1，e2，…，ep]T。③确定主成分个数。主成分贡献率和主成分累计贡献率分别为ηi=λi/niΣλi×100%（2）ηΣ（p）=piΣηi（3）通常，累计贡献率大于85%时，对应的前P个主成分便包含原始变量所提供的主要信息，即主?
露仁?葑魑??缪盗肥?据，共50个样本；接着，建立Elman神经网络模型，并选取2016年9月16日-2016年10月1日PV/T组件的温度数据来检验Elman神经网络模型的预测精度，共10个样本。由于太阳辐照度、环境温度、环境湿度、风速、风向的量纲不同且差异较大，因此需要对数据进行标准化处理[16]。其中，某一组数据x={x1，x2，…，xn}的变换公式为xi=（xi-x軃）/σ（x）（10）PCA历史数据主成分Elman神经网络模型T（t-2）T（t-1）T（t+1）TIrThjHhjWsWd图3PV/T组件温度预测流程图Fig.3PV/Tcomponenttemperaturepredictionflowchart图4Elman神经网络结构Fig.4Elmanneuralnetworkstructurey1（t）y1（t）x1（t）xn（t）xc1（t）xcn（t）ω1（t）ω2（t）ω3（t）u1（t）um（t）输出层隐含层输入层承接层李畸勇，等基于PCA-Elman神经网络的短期PV/T组件温度预测表1PV/T组件温度与气象因子的相关系数Table1CorrelationofmeteorologicalelementsandPV/Tmoduletemperature气象因子rT（t-2）0.75T（t-1）0.89Ir0.93Thj0.63Hhj0.59Ws0.11Wd0.12·1781·
【参考文献】：
期刊论文
[1]基于RBF神经网络的PV/T组件短期温度预测[J]. 李畸勇,赵振东,南君培,肖晶,李宜生,汤允凤. 广西大学学报(自然科学版). 2017(03)
[2]光强和温度对硅光伏电池输出特性的影响[J]. 肖文波,吴华明,傅建平,谭远福. 华中科技大学学报(自然科学版). 2017(01)
[3]基于Elman神经网络的齿轮箱故障诊断[J]. 刘景艳,李玉东,郭顺京. 工矿自动化. 2016(08)
[4]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[5]改进灰色Elman神经网络的风电机组振动特征预测[J]. 李其龙,王灵梅,申戬林,郭东杰. 可再生能源. 2015(06)
[6]基于小波变换的风电场短期风速组合预测[J]. 田中大,李树江,王艳红,高宪文. 电工技术学报. 2015(09)
[7]基于多位置NWP与主成分分析的风电功率短期预测[J]. 王丽婕,冬雷,高爽. 电工技术学报. 2015(05)
[8]基于数值天气预报的母线负荷预测[J]. 李博,门德月,严亚勤,杨军峰,周劼英,罗治强,曾丽莉. 电力系统自动化. 2015(01)
[9]气象要素对太阳能电池板温度的影响[J]. 潘进军,申彦波,边泽强,王香云. 应用气象学报. 2014(02)
[10]基于天气分型的风电功率预测方法[J]. 王勃,冯双磊,刘纯. 电网技术. 2014(01)
本文编号：2901886
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2901886.html
