基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

发布时间：2019-08-11 20:58

【摘要】：针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。
【图文】：

曲线,太阳辐射强度,不同天气,类型

＊表示在置信度（双侧）为０．０１时，相关性是显著的。由表１可知，光伏系统输出功率和太阳辐射强度相关性最大为０．９３３，与温度相关性为０．３８４，与风速相关性为０．１６６，３个因素与输出功率均呈正相关。因此，选择太阳辐射强度和温度作为ＧＡ—模糊ＲＢＦ神经网络预测模型的输入变量。２ＧＡ—模糊ＲＢＦ神经网络预测模型２．１相似日选取和训练样本确定因受季节变换、昼夜交替等自然条件和不同天气类型等随机因素的影响，太阳辐射强度具有准周期性和不确定性。图１为美国俄勒冈州的Ａｓｈｌａｎｄ光伏电站在不同天气类型下的太阳辐射强度曲线。在晴天条件下，太阳辐射强度规律明显，相似度很高；在非晴天条件下，太阳辐射强度受云层影响没有规律，相似度较低。因此，为了提高光伏发电功率的预测精度，有必要从大量的历史数据中筛选出比较合理的相似日，作为预测模型的输入变量。图１不同天气类型下太阳辐射强度曲线Ｆｉｇ．１Ｓｏｌａｒｒａｄｉａｔｉｏｎｃｕｒｖｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｗｅａｔｈｅｒｔｙｐｅｓ相似日选取方法为首先选择出与待预测日相同天气类型的历史日，然后通过历史日与待预测日的温度欧氏距离计算确定相似日。待预测日的天气类型可由气象部门提供，历史日的天气类型由历史日太阳辐射强度和Ｈｏｔｔｅｌ模型数据比较确定。Ｈｏｔｔｅｌ模型能预测任意地区全年晴天太阳辐射强度，非晴天太阳辐射强度可由云层覆盖度及天气类型系数得到［１６－１７］。以Ｈｏｔｔｅｌ模型数据为参考量，结合光伏电站历史数据，比较日总太阳辐射强度值和日最大太阳辐射强度值，将历史数据自动分为晴天、阴天和雨天３个数

发电功率,日光,预测结果

间的综合表现，本文选择３个模糊子集的网络作为最终的光伏发电功率预测模型。以５月６日为例，计算得到相似日为５月２日，将５月２日各时刻的太阳辐射强度值、温度值和５月６日对应时刻太阳辐射强度值作为模型输入变量，经模糊化后得到９个隶属度函数和２７条模糊规则，经上述预测模型得到光伏发电功率预测值。图３为实际功率值和预测模型的功率值，其中模型１为传统的模糊神经网络预测模型，模型２为本文所提出的ＧＡ—模糊ＲＢＦ神经网络预测模型。图３５月６日光伏发电功率预测结果Ｆｉｇ．３ＦｏｒｅｃａｓｔｉｎｇｏｆｐｈｏｔｏｖｏｌｔａｉｃｇｅｎｅｒａｔｉｏｎｐｏｗｅｒｏｎＭａｙ６ｔｈ对预测模型进行准确的评估，需要采用一定的评估指标，本文采用平均绝对百分比误差（ＭＡＰＥ）和正规化均方根误差（ＮＲＭＳＥ）对功率预测值的误差进行评估分析［２１］，得到模型１的ＭＡＰＥ和ＮＲＭＳＥ分别为２３．３％和６．８％，模型２的ＭＡＰＥ和ＮＲＭＳＥ分别为１６．３％和５．２％。可见，本文预测模型可有效提高光伏功率预测精度，能较好地跟踪预测功率的变化趋势。４光伏功率预测在平滑功率波动中的应用由于受环境因素的影响，光伏电站的功率输出波动明显，大型光伏电站的输出功率在５～１０ｍｉｎ内可能发生７０％的变化［２２］。为减小对电力系统的冲击，在光伏电站配置一定容量的储能系统已经成为平滑光伏出力的重要手段。４．１光储发电系统结构本文在ＥＭＴＰ／ＡＴＰ仿真平台上搭建光储发电１９叶林，，等基于遗传算法－模糊径向基神经网络的光
【作者单位】：中国农业大学信息与电气工程学院;国网湖北省电力公司孝感供电公司;
【基金】：高等学校博士学科点专项科研基金资助项目(20110008110042) 国家自然科学基金资助项目(51477174)~~
【分类号】：TM615;TP18

【参考文献】