论文部分内容阅读
近年来,国家大力推广太阳能技术以应对日益严重的能源与环境危机。其中,光伏发电技术成为了当前研究的主要方向。但由于自然条件的限制,使得光伏发电功率呈现随机性、间歇性及波动性。这些特性的存在会破坏电网稳定性,对电能质量影响较大。因此,研究光伏发电的功率特性,合理有效地预测光伏发电功率,对电网安全稳定运行、优质供电具有重要意义。本文针对现有光伏功率预测方法存在的主要问题进行了深入分析,研究了基于BP神经网络、Elman神经网络等算法的光伏功率预测方法,提出了改进Elman神经网络算法的光伏发电功率超短期预测方法。首先,介绍了本文研究所利用的光伏电站试验平台的基本情况,通过监测平台获取了与光伏电站发电功率相关的各项数据,并对这些数据进行了相关性分析,得到了光伏电站发电功率与其影响因素的相关性系数,为后续研究奠定数据支撑。其次,目前国内外研究中,天气类型多数通过天气预报获取,但天气预报往往针对大范围天气类型,而光伏电站所在区域的天气类型属于小范围天气类型。针对这种状况,对当前实时环境数据进行监测,并建立了基于支持向量机的天气类型超短期预测模型,通过模型预测得到光伏电站所在区域的超短期天气类型。再次,对传统的BP神经网络以及Elman神经网络进行分析,并分别建立了基于BP神经网络和基于Elman神经网络的光伏电站发电功率超短期预测模型,通过对预测结果比较分析得到了两种神经网络的优缺点。最后,针对传统神经网络的缺点,提出了改进的Elman神经网络光伏功率超短期预测算法。首先使用天气类型相关系数对预测数据的输入进行初始化,并用马拉特算法对初始化后的数据进行分解滤波;然后对分解后的数据利用Elman神经网络进行处理,最后使用马拉特算法进行重构并获得最终预测结果。通过对实际光伏电站进行光伏功率建模预测,验证了所提算法的有效性和可行性。