基于B P神經網絡的光伏發電功率預測模型研究

李 星,晁 勤,任 娟,李義巖

(1.新疆大學電氣工程學院,新疆 烏魯木齊 830047;2.新疆電力科學研究院,新疆 烏魯木齊 830011)

由于太陽能具有清潔環保、用之不盡的優勢,光伏發電成為一種非常有發展潛力的新能源.近年來,在我國政府的政策性大力支持下,光伏發電發展速度驚人.尤其在我國西部地區如青海、新疆等地,光伏發電將成為系統的主流電源.在此背景下,光伏發電相關關鍵技術也成為必須深入研究、亟待解決的新技術領域.

由于太陽能發電輸出功率受太陽光強、環境溫度等多種氣象因素影響,光伏發電出力具有很強的隨機性、波動性和間歇性.因此,大規模光伏發電并網對電網的安全穩定運行提出了新的挑戰,必須通過高精度的功率預測技術解決該問題[1-9].

目前,國內外對光伏發電功率預測技術的研究才剛剛起步,預測技術在大型光伏電站的應用效果尚不盡理想.建立一種先進的、精準的光伏發電預測模型,將對提高光伏發電并網系統運行、調度質量具有重要意義.

本文在考慮太陽光照強度、環境溫度的基礎上,首次創新性的提出將光伏組件的清潔度作為功率預測模型輸入因子,基于BP神經網絡建立了光伏發電功率預測模型,并通過新疆電力科學研究光伏發電系統實測數據,對比分析了模型的預測精度和造成誤差的原因.分析結果表明:該光伏發電預測模型預測精度較高,能夠滿足實際工程應用的要求.

1 B P神經網絡模型

1.1 BP神經網絡簡介

BP網絡是一種按誤差逆傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一.通過誤差反向傳播來不斷調整網絡的權值和閾值,最終使網絡誤差達到目標范圍.BP神經網絡模型拓撲結構包括輸入層、中間層和輸出層,如圖1所示[5-12].

圖1 BP神經網絡模型

1.2 光伏發電功率預測模型

1.2.1 光伏組件清潔度

本文對光伏組件的清潔程度進行量值化描述,用符號λ表示,取值范圍0~100.當光伏組件被灰塵完全覆蓋至有功出力為0時則清潔度λ為0;當光伏組件清潔程度達到100%有功出力時,λ取值100.λ通過試驗確定.

1.2.2 預測模型及軟件化

本文采用三層結構,輸入因子考慮時刻、光照度、環境溫度、光伏組件清潔度.輸出變量為光伏發電有功出力.基于MATLAB軟件平臺編制了BP神經網絡模型軟件程序.軟件功能界面如圖2所示.程序核心部分如下:

圖2 光伏發電功率預測軟件功能示意

[w1,b1,w2,b2]=initff(ip1,6,'logsig',ot,'purelin');

net=initnw(net,1);

newff(minmax(ip1),[6,1],{'logsig','purelin'},'trainlm');

net,trainParam.epochs=5000;

net.trainParam.goal=1;

[net,tr]=train(net,ip1,ot);

a=sim(net,ip1)

2 算例驗證

為驗證本文所建立預測模型的有效性,以新疆電力科學研究院光伏發電系統2012年5月1日、5月3日實測數據為樣本.其中,5月2日對光伏組件進行過一次徹底的清洗,清洗后,清潔度由78提高至85.光伏組件清洗前后清潔度曲線見圖3.

圖3 光伏組件清洗前后清潔度曲線

基于MTLAB軟件平臺編制BP神經網絡光伏發電功率預測程序進行運行仿真.歷史發電功率、預測發電功率、預測日實測發電功率及對比曲線如圖4~7所示.

圖4 歷史發電功率曲線

由圖7可知,光伏發電預測功率與預測日實測功率具有相同的變化趨勢,方均根平均誤差為14.3%,滿足工程應用要求.但由于預測日突然出現云層遮陰光伏組件而光照度并未出現驟變的情況,故預測出力與實測出力在個別采樣點存在時間延遲特性.

3 結 論

(1)本文提出的將光伏組件清潔度作為神經網絡預測模型輸入因子的思想科學、可行,有助于提高光伏發電功率預測的精度.

圖5 預測發電功率曲線

圖6 預測日實際發電功率曲線

圖7 預測/實測功率對比曲線

(2)本文建立的基于BP神經網絡算法的光伏發電功率預測模型合理、有效,能夠滿足工程應用要求.

[1] 陳巒.光伏電站-水電站互補發電系統的仿真研究[J].水力發電,2010,8(36):81-84.

[2] 陳巒,陳池.基于旋轉備用和出力預測的風電抽水蓄能并網調