论文部分内容阅读
伴随着现代工业的长足发展,传统化石能源带来的环境污染问题给人类的可持续发展带来越来越大的压力。虽然光伏发电是一种环境友好的、可持续发展的发电方式,但是其在发电过程中所具有的不稳定性和波动性却为其后续并入电网加大了难度,成为了制约光伏发电技术的一大重要难题。为了提高光伏并网过程中电力系统的稳定性和安全性,充分而有效地发挥太阳能的经济效益,要求不断提高光伏系统输出功率预测的准确性。本文致力于提高光伏发电系统出力预测的精度。首先,介绍本课题的研究背景和意义,阐述全球范围内涉及到该课题的研究现状。其次,概述光伏发电技术原理和光伏发电系统的构造,探讨该系统在输出功率方面的特征,客观说明发电系统出力预测的必要性。然后,详细介绍了影响光伏输出功率的主要气象因素,通过数学相似度分析法,研究输出功率和各项因素之间的关系。再次,阐述了 BP神经网络模型在预测中的应用并对其原理和局限性进行分析,详述了自适应遗传算法(AGA,Adaptive Genetic Algorithm)和果蝇算法(FOA,Fruit Fly Optimization Algorithm)各自的算法原理和改进之处,并以此为基础分析了两种算法优化对BP神经网络进行优化的可能性。最后,以前文为基础,设计了基于果蝇算法和自适应遗传算法组合优化BP神经网络的光伏出力预测模型,对模型内神经网络的拓扑结构、输入输出层和隐含层节点数进行设计;针对BP神经网络在预测中容易出现局部最优的缺陷,先通过改进的果蝇算法优化BP神经网络的连接结构,减少冗余连接,再通过自适应遗传算法对优化后的网络权值阈值进行更进一步地优化,最终得到FOA-AGA-BP神经网络预测模型。在建立预测模型之后,利用格尔木光伏电站的历史数据,同时应用MATLAB对其展开仿真检验,结果显示,和AGA-BP神经网络预测模型、单一 BP神经网络预测模型相比,本文创建的模型具有更好的预测精度,具有较高的实际应用价值。