基于PSO-BP神经网络的光伏系统短期发电功率预测

发布时间：2021-08-26 12:47

　　伴随着社会的不断发展,用户对用电量的需要不断增加。太阳能属于清洁能源,也是可再生能源,所以它用作发电用途便获得了大量的关注。然而使用太阳能发电的弊端也暴露无遗,就像波动性和间歇性作为光伏发电出力的缺点,而且光伏电池存在着占地面积广、转化效率低等。如果将光伏发电并入主电网后,会对主电网造成强大的冲击,对维持电网运行的稳定性很不利。精确的光伏发电功率预测是有效减缓不利影响的重要前提,所以对于光伏发电系统的发电量预测研究就有了很重要的现实意义和应用价值。本文首先将光伏电池的基本结构与它的工作原理进行阐述,然后展示了光伏发电系统的组成和光伏发电系统的分类,通过所搭建的太阳能电池模型,对光伏系统发电功率的主要影响因素（太阳日照强度、环境温度、天气类型）进行了研究,为建立发电量预测模型做好理论支撑。进而建立了基于BP神经网络预测模型,并详细介绍了所建立的BP神经网络模型的拓扑结构、流程图、网络各层神经元数量选择及学习训练过程。但在BP神经网络进行预测的过程中,BP神经网络含有易陷入局部最优以及收敛时间较长的缺点,为了克服这些不足,本文通过PSO算法优化神经网络的阈值与权值,建立了PSO-BP神经网... 

【文章来源】：中原工学院河南省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

光伏电池

【参考文献】：
期刊论文
[1]基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究[J]. 王小杨,罗多,孙韵琳,李超,李进.  太阳能学报. 2020(03)
[2]光伏电池最大功率点跟踪研究综述[J]. 付子义,张字远.  电源技术. 2019(12)
[3]随机子空间集成下的GPR光伏发电预测方法[J]. 夏成希,李泽,刘畅,唐鹏.  计算机仿真. 2019(11)
[4]基于中长期风电光伏预测的多能源电力系统合约电量分解模型[J]. 赵书强,胡利宁,田捷夫,许朝阳.  电力自动化设备. 2019(11)
[5]基于深度信念网络的光伏电站短期发电量预测[J]. 赵亮,刘友波,余莉娜,刘俊勇.  电力系统保护与控制. 2019(18)
[6]基于PSO优化BP神经网络的光伏发电量预测[J]. 李燕斌,万亚宁,肖俊明,朱永胜,杨璐,李超,马佳慧.  中原工学院学报. 2019(04)
[7]基于经验模态分解的神经网络光伏发电预测方法研究[J]. 孙祥晟,陈芳芳,贾鉴,陈浩,胡康飞.  电气技术. 2019(08)
[8]基于灰色-加权马尔可夫链的光伏发电量预测[J]. 蒋峰,王宗耀,张鹏.  电力系统保护与控制. 2019(15)
[9]考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法[J]. 王晶,黄越辉,李驰,项康利,林毅.  电网技术. 2020(04)
[10]一种信息技术设备用光伏电池的设计[J]. 王建平.  电源技术. 2019(05)

硕士论文
[1]分布式光伏电源并网对电能质量的影响[D]. 毛忠浩.山东大学 2019
[2]分布式光伏发电系统及并网研究[D]. 葛万鹏.山东大学 2019
[3]基于GA-BP神经网络的光伏电站短期发电功率预测[D]. 韦航宇.广西大学 2019
[4]基于深度学习的光伏发电量预测模型研究[D]. 郑强.华北电力大学 2019
[5]分布式光伏发电系统优化设计[D]. 闫志浩.天津商业大学 2017
[6]基于神经网络的光伏微网发电量预测研究[D]. 黄超.安徽工程大学 2016
[7]并网型光伏电站发电量预测方法的研究[D]. 宋丹丹.辽宁工业大学 2016
[8]基于组合模型的光伏发电功率短期预测技术研究[D]. 张久菊.中原工学院 2015



本文编号：3364270