原创《基于神经网络的光伏发电系统发电功率预测》：关于免费光伏发电论文范文在这里免费下载与阅读,为您的光伏发电相关论文写作提供资料。
摘 要：太阳能属于环保型能源,具有用之不尽,取之不竭的优势,在当下社会不同领域发展中,发挥积极作用.特别是在光伏发电作业中,为光伏发电工作增加发展动力.太阳能是一种全新能源类型,发展潜力巨大.近些年,我国政府提高光伏发电产业关注度,给出全新发展政策与战略,促进光伏发电发展.尤其在一些西部区域,例如,新疆和青海等区域,主流电源系统建设利用中光伏发电,发挥重要影响.为了实现太阳能光伏发电最大发展目标,应该深入研究光伏发电系统技术,为光伏建设发展作技术支持.本文主要就神经网络的光伏发电系统发电功率预测进行分析和研究.
关键词：神经网络；光伏发电系统；发电功率预测；分析研究
DOI：10.16640/j.cnki.37-1222/t.2017.16.206
0 前言
大规模和大范围光伏电网发展,均是运用太阳能这一科学形式,但是环境温度与光照强度对光伏发电影响较大,在并网后期发电系统功率出现不确定性,功率变化较大.众多实际应用人员,运用光伏开展电能供应广遭,导致电网规划管理人员,难以全面掌握和预测到负荷运作情况,负荷增长率预测难度大,影响机组处理与系统调度.所以,需要对光伏发电期间,系统发电期间功率变化预测分析,确保系统稳定性和安全性.BP神经网络是具有代表性神经网络,在神经网络的光伏发电系统发电功率预测应用效果佳.
1 BP神经网络阐述
BP神经网络是具有代表性神经网络,其是依据误差逆转理论标准,利用这一形式进行传播和计算,具有反馈网络特点.BP神经网络主要理论依据为把网络学习划分为反向传播运作形式和正向运作形式,映射能力好,具有非线性特点.利于在利用期间,把网络学习中映射关系大量输出和输入,泛化效果好.BP神经网络是当下社会应用最为广泛,可以结合季节的变化性,结合气候特点,建立子模型,对神经网络的光伏发电系统发电功率预测.在随机性大,自然气候影响大区域中,BP神经网络预测能力强.BP神经网络实际应用期间,需在结合实际区域环境特点,建立一个BP神经网络系统模型,构建应用效果较好的网络模型,降低预测难度.
利用反向形式传播和运作,对网络系统权值与阈值调整,直到网络系统误差满足目标需求,在目标范围中便可自动停止. BP神经网络其模型结构包括输入和输出体系、中间体系.详细来说,为了实现模型最大应用目标,在结构设计中,需依据季节和气候,构建预测模型系统子板块,满足神经网络最大限度接近不同复杂和不同形式非线性函数,对大量数据开展网络训练[1].
神经网络基础上,光伏运作功率预测,本文主要就光伏组件,利用量化方法,对其清洁程度描述分析.本文利用a字母标示神经网络系统伏运作功率,把伏运作功率数值范围控制在0-100之间,如果灰度把光伏组件全部覆盖,当其有用功输出力为零时,其清洁度a数值为零.当光伏组件实现100%清洁程度后,a数值为100,可以对a开展实验检测,在实验检测后,确定a数值.在对预测模型和系统建设时,利用三层布局形式,考虑到输入因子时间,输入因子环境温度与光照度,了解组件洁净度,输出电量设为光伏发电的有用功出力状态.建立在MATLAB系统软件平台基础上,可以把BP神经网络和系统平台结合,减低预测难度.
2 预测系统结构布局规划设计
2.1 网络训练
网络系统和布局设计规划完毕后,对以往发电功率信息与数据,气象数据信息筛选,在网络系统模型中输入,把奇异数据信息清理,利于达到系统收敛目标.如图1,是BP网络系统预测模型展示图.在对BP网络系统预测模型展示图分析和研究可以得出,在BP网络系统不同三个层次中,其把w1b1与w2b2分别设置为隐含与输出层的权值与阈值.向量输入设置为P,a1为隐含体系的输出数值,a2为输出系统中输出数值.本文对BP网络系统建设,利用模块化形式建设
网络,把反复运作网络设计为 不同单一网络体系,控制网络训练数量,保证样本数量合理性.
2.2 输出和输入和隐含层判断
其一,输入系统中节点设计结合模型量输入大小节点,本文中把输入量是个極为16个.在预测选取前一天,六点之前,早晚七点自后,把十四个电力输出,在有序规划和设计后,把其作为预测模型主要输入量,把输入量掌握在14个.预测当天温度平均值和前一天温度平均值,输入数量为16个模型.发电功率预测时间在次天上午六点到晚七点开展,依据标准有序对14个不同电力运走阶段与时间,发出功率预测,在输出端点利用14个节点.
其二,隐含体系节点确定和判断.首先,在隐含体系中,神经元缺点和判断方法,需在16个神经元输入后,在14个神经元输出行为结束后,多次对网络系统调式,对模型优化完善,直到获得合适数值.在实际训练中,优先设计神经元隐含体系神经元数量,结合历史数据和信息,把其作为集体训练集,开展网络训练.其次,把其余系统作为测试集,对网络训练效果好体系进行预测和预测.把网络系统泛化性能作为评判指标,线性回归方法具有实际应用价值,在网络系统结构比较和分析期间,可以利用这一方法开展.
3 结论
综上所述,BP神经网络是具有代表性神经网络,其是依据误差逆转理论标准,利用误差逆转理论进行传播和计算,具有反馈网络特点.在运用过程中,设计规划BP神经网络布局,对以往发电功率信息与数据,气象数据信息筛选,在网络系统模型中输入,把奇异数据信息清理.布局形式设计为三层结构,充分考虑输入因子时间,输入因子环境温度与光照度,了解组件洁净度,输出电量设为光伏发电的有用功出力状态.
参考文献：
[1]张艳霞,赵杰.基于反馈型神经网络的光伏系统发电功率预测[J]. 电力系统保护与控制,2011（15）：96-101+109.
光伏发电论文参考资料：
结论：基于神经网络的光伏发电系统发电功率预测为关于本文可作为光伏发电方面的大学硕士与本科毕业论文光伏发电论文开题报告范文和职称论文论文写作参考文献下载。
