基于多元分析的优化模糊神经网络太阳能辐射量短期预测

发布时间：2021-08-13 21:17

　　为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。 

【文章来源】：水力发电. 2019,45(07)北大核心

【文章页数】：5 页

【部分图文】：

测量装置示意3.2数据处理

。定性模块数据来源于NSNA提供的历史气象数据，主要包括:温度、湿度、风速、大气压强、晴空日照比、太阳辐射量等数据;定量模块的数据来源于测量装置的实时测量，主要包括:温度、湿度，大气压强、大气通透性、光照强度。图4数据处理示意数据处理流程如图4所示，结合定性分析、定量分析、主成分分析处理数据，并存储采集数据作为新的历史气象数据。3.3预测程序流程基于MATLAB编写基于多元分析的模糊神经网络中短期太阳能辐射量预测算法，程序流程图如图5所示。基于MATLAB编写算法，用主成分分析法处理历史气象数据，提取主要指标作为数据定性划分的依据;测量装置采集的数据做粗大误差之后作为预测模型的定量数据;搭建模糊神经预测系统，进行预测模型训练，加入测试数据检验模型的合理性。图5预测模型流程4实验实例为验证预测模型的合理性和预测结果的准确性，收集乌鲁木齐地区太阳辐射数据和相关气象数据，对预测模型验证。为了科学的严谨性，搭建对照模

【参考文献】：
期刊论文
[1]基于Elman神经网络算法的电力负荷预测模型研究[J]. 李文.  赤峰学院学报(自然科学版). 2017(21)
[2]基于改进BP神经网络的中长期电力负荷预测算法设计[J]. 李志恒,孙冉,张建立,姚峰,薛盖超.  自动化与仪器仪表. 2017(10)
[3]光伏发电中太阳辐照度短期优化预测仿真[J]. 鲍安平.  计算机仿真. 2017(10)
[4]结合HS算法与ESN算法的光伏发电短期出力预测[J]. 温润,谭丽.  计算机科学. 2017(06)
[5]基于神经网络的风电机组变桨距恒功率控制系统的研究[J]. 黄俊梅.  电子产品世界. 2017(05)
[6]基于神经网络的短期电力负荷预测仿真研究[J]. 陈亚,李萍.  电气技术. 2017(01)
[7]基于模糊聚类和支持向量机的短期光伏功率预测[J]. 于秋玲,许长清,李珊,刘洪,宋毅,刘晓鸥.  电力系统及其自动化学报. 2016(12)
[8]基于改进型学习率自适应BP神经网络的风力发电变桨距控制技术[J]. 付光杰,胡明哲.  自动化与仪器仪表. 2016(06)
[9]大规模风电并网电力系统经济调度中风电场出力的短期预测模型[J]. 袁铁江,晁勤,李义岩,吐尔逊·伊不拉音.  中国电机工程学报. 2010(13)
[10]基于神经网络的光伏阵列发电预测模型的设计[J]. 陈昌松,段善旭,殷进军.  电工技术学报. 2009(09)

硕士论文
[1]人工鱼群神经网络在短期电力负荷预测中的研究与应用[D]. 陈亚.宁夏大学 2017



本文编号：3341153