考虑气象要素的光伏预测模型研究

发布时间：2017-10-06 11:31

  本文关键词：考虑气象要素的光伏预测模型研究

  更多相关文章： 光伏预测 多元线性回归 支持向量机 灰色理论 BP神经网络

【摘要】：近年来,光伏发电技术发展迅速,发电成本不断下降,光伏并网容量逐渐增加。但是,由于光伏系统输出功率受到多种气象因素的影响,输出功率具有不确定性和不稳定性,光伏并网给整个电网的电能质量和电网电力安全均带来一定影响。优化调度、安全运行电力系统需要光伏电站能较为准确的预测光伏系统的日瞬时发电功率及日累计发电功率。选择光伏预测模型作为研究内容,结合气象数据作为输入,具有一定的学术价值和现实意义。本文首先探究影响光伏输出功率的几个气象要素,通过历史发电数据和气象数据直观分析太阳辐射强度、大气温度、相对湿度、风况、天气类型与光伏发电功率的关系。然后利用相关系数法对气象要素与光伏输出功率进行相关性分析,定量得到各气象要素对光伏输出功率的影响权重,选取太阳辐射强度、大气温度为主要气象要素,相对湿度为次要气象要素,为建立光伏预测模型提供理论与数据基础。本文先后阐述了多元线性回归、支持向量回归、灰度理论以及BP神经网络的基本理论,对模型的各项参数以及模型的建立过程等内容进行了详细地阐述与分析,在相关性分析的基础上,综合利用光伏系统输出功率的历史数据、气象因子等影响因素作为数据输入样本,在Matlab环境下,基于四种算法分别建立了对应的预测模型。然后利用光伏电站历史数据分别对四种预测模型进行误差分析,预测结果表明除了灰度理论,其余三种方法都能较为准确的预测光伏输出功率,其中,支持向量回归模型预测精度最高,稳定性最好。最后,利用支持向量回归方法,分别对晴天、多云、阴天、雨天气象条件下的光伏输出功率进行预测,将预测值与真实值进行对比。结果表明,本论文所建立的模型具有较好的预测能力,能达到较高的预测精度。
【关键词】：光伏预测 多元线性回归 支持向量机 灰色理论 BP神经网络
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM615
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 课题研究背景及意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 国内外光伏发电发展现状11-12
• 1.2.2 国内外光伏发电预测模型研究现状12-14
• 1.3 本论文研究内容14-15
• 第2章 光伏发电功率气象影响要素分析15-25
• 2.1 影响光伏输出功率的气象要素分析15-23
• 2.1.1 太阳辐照强度对光伏输出功率的影响15-17
• 2.1.2 气温对光伏输出功率的影响17-18
• 2.1.3 相对湿度对光伏输出功率的影响18-19
• 2.1.4 风况对光伏输出功率的影响19-20
• 2.1.5 天气类型对光伏输出功率的影响20-23
• 2.2 气象因子相关性分析23-24
• 2.3 本章小结24-25
• 第3章 考虑气象要素的光伏功率预测基本理论25-39
• 3.1 多元线性回归模型25-28
• 3.1.1 光伏电池模型输出功率理论计算25-27
• 3.1.2 多元线性回归模型27-28
• 3.2 支持向量回归模型28-33
• 3.2.1 统计学习基本理论29-30
• 3.2.2 支持向量回归原理30-31
• 3.2.3 SVR模型核函数的选择31-32
• 3.2.4 SVR模型参数的选择32-33
• 3.3 灰色模型33-35
• 3.3.1 灰色生成33
• 3.3.2 灰色模型GM(1,1)建立33-34
• 3.3.3 改进的GM(1,1)残差修正模型建立34-35
• 3.4 BP神经网络模型35-38
• 3.4.1 BP神经网络结构35-36
• 3.4.2 BP神经网络原理及算法36-37
• 3.4.3 BP神经网络的学习训练过程37-38
• 3.5 本章小结38-39
• 第4章 光伏发电功率预测计算分析39-56
• 4.1 预测数据预处理39-40
• 4.2 采用多元线性回归模型进行预测40-42
• 4.2.1 预测流程40
• 4.2.2 预测结果分析40-42
• 4.3 采用支持向量回归模型进行预测42-44
• 4.3.1 预测流程42
• 4.3.2 预测结果分析42-44
• 4.4 采用灰度理论模型进行预测44-46
• 4.4.1 预测流程44-45
• 4.4.2 预测结果分析45-46
• 4.5 采用BP神经网络模型进行预测46-48
• 4.5.1 预测流程46-47
• 4.5.2 预测结果分析47-48
• 4.6 四种预测模型的对比分析48-49
• 4.7 考虑日天气类型的光伏预测分析49-55
• 4.7.1 晴天功率预测49-51
• 4.7.2 多云天气功率预测51-52
• 4.7.3 阴天功率预测52-53
• 4.7.4 雨天功率预测53-55
• 4.8 本章小结55-56
• 结论56-57
• 参考文献57-60
• 攻读硕士学位期间所发表的学术论文60-61
• 致谢61

【参考文献】

中国期刊全文数据库 前10条

1 罗建春;晁勤;罗洪;冉鸿;杨杰;罗庆;阿里努尔·阿木提;;基于LVQ-GA-BP神经网络光伏电站出力短期预测[J];电力系统保护与控制;2014年13期

2 黄磊;舒杰;姜桂秀;张继元;;基于多维时间序列局部支持向量回归的微网光伏发电预测[J];电力系统自动化;2014年05期

3 蒋浩;洪丽;张国江;;主成分分析结合神经网络的光伏发电量预测[J];电力系统及其自动化学报;2013年06期

4 袁晓玲;施俊华;徐杰彦;;计及天气类型指数的光伏发电短期出力预测[J];中国电机工程学报;2013年34期

5 王晓兰;葛鹏江;;基于相似日和径向基函数神经网络的光伏阵列输出功率预测[J];电力自动化设备;2013年01期

6 ;光伏:多事之秋已然来临[J];高科技与产业化;2012年10期

7 李芬;陈正洪;成驰;蔡涛;杨宏青;申彦波;;武汉并网光伏电站性能与气象因子关系研究[J];太阳能学报;2012年08期

8 傅美平;马红伟;毛建容;;基于相似日和最小二乘支持向量机的光伏发电短期预测[J];电力系统保护与控制;2012年16期

9 王守相;张娜;;基于灰色神经网络组合模型的光伏短期出力预测[J];电力系统自动化;2012年19期

10 丁明;王磊;毕锐;;基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J];电力系统保护与控制;2012年11期

中国重要会议论文全文数据库 前1条

1 何明琼;陈正洪;成驰;;光伏发电量与气象因子的关系及其预报试验简报[A];第27届中国气象学会年会气候资源应用研究分会场论文集[C];2010年

中国硕士学位论文全文数据库 前2条

1 姬忠良;基于支持向量机的VCM生产过程控制方法研究[D];大连理工大学;2006年

2 李治友;遗传算法和支持向量机混合方法及其应用[D];重庆大学;2003年

，

本文编号：982568