為了進(jìn)一步提高光伏/光熱一體化(PV/T)系統(tǒng)中PV/T組件溫度的預(yù)測精度,使得PV/T系統(tǒng)能夠根據(jù)PV/T組件溫度的波動情況提前準(zhǔn)確地做出控制決策,以優(yōu)化控制效果,文章在分析PV/T組件溫度與氣象因素的相關(guān)性以及相鄰時間序列溫度自相關(guān)性的基礎(chǔ)上,采用主成分分析法對原始輸入樣本數(shù)據(jù)進(jìn)行預(yù)處理,并提取該樣本數(shù)據(jù)的主成分,然后結(jié)合反饋型Elman神經(jīng)網(wǎng)絡(luò)理論,建立動態(tài)預(yù)測模型。研究結(jié)果表明,相對于未提取主成分的神經(jīng)網(wǎng)絡(luò)模型,提取主成分的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度更高,泛化性能更強(qiáng)。 

【文章來源】：可再生能源. 2017年12期 第1779-1785頁 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

PV/T系統(tǒng)簡圖

入變量的維數(shù)相對降低、分量間的相關(guān)性也隨之變校在此基礎(chǔ)上，再應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)來建立PV/T組件溫度預(yù)測模型，最終實(shí)現(xiàn)PV/T組件溫度的預(yù)測。1PV/T系統(tǒng)介紹圖1為平板型單晶硅PV/T組件的結(jié)構(gòu)圖。單晶硅PV/T組件通過導(dǎo)熱層將熱量傳遞給導(dǎo)熱銅管，導(dǎo)熱銅管中的循環(huán)水再將熱量帶走并進(jìn)行利用。圖2為PV/T系統(tǒng)簡圖。PV/T系統(tǒng)主要由PV/T組件、水泵、控制器、水箱組成，該系統(tǒng)可以實(shí)現(xiàn)太陽能的綜合利用，通過控制循環(huán)水泵的轉(zhuǎn)速，使光伏板工作在最合適的溫度下，從而提高PV/T組件的發(fā)電效率。2主成分分析原理PV/T組件溫度受多種因素的影響，各因素之間存在著復(fù)雜的相關(guān)性，這樣就增加了PV/T組件溫度的預(yù)測難度。本文通過主成分分析法，在眾多影響因素中提取主成分，并將這些主成分轉(zhuǎn)化成若干個包含主要數(shù)據(jù)信息的變量，然后消除不同變量之間復(fù)雜的相關(guān)性，從而簡化了數(shù)據(jù)結(jié)構(gòu)，提高了預(yù)測精度。本文假設(shè)研究對象有m組，每個研究對象包含n個變量，因此，構(gòu)成了一個m×n階的樣本數(shù)據(jù)矩陣�；诖耍琍V/T組件溫度的預(yù)測步驟如下。①數(shù)據(jù)歸一化處理。對于不同類型的變量，其量綱和數(shù)值不同，數(shù)值差異較大時，計算過程中會產(chǎn)生較大的誤差。因此，需要對原變量進(jìn)行標(biāo)準(zhǔn)化處理，從而得到標(biāo)準(zhǔn)化的輸入矩陣為Xm×n=x11…x1nxm1…xmn（1）②建立數(shù)據(jù)樣本Xm×n的協(xié)方差矩陣R，并求得R的特征值λ1，λ2，…，λn，以及相應(yīng)的特征向量[e1，e2，…，ep]T。③確定主成分個數(shù)。主成分貢獻(xiàn)率和主成分累計貢獻(xiàn)率分別為ηi=λi/niΣλi×100%（2）ηΣ（p）=piΣηi（3）通常，累計貢獻(xiàn)率大于85%時，對應(yīng)的前P個主成分便包含原始變量所提供的主要信息，即主?

露仁?葑魑??繆盜肥?據(jù)，共50個樣本；接著，建立Elman神經(jīng)網(wǎng)絡(luò)模型，并選取2016年9月16日-2016年10月1日PV/T組件的溫度數(shù)據(jù)來檢驗(yàn)Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，共10個樣本。由于太陽輻照度、環(huán)境溫度、環(huán)境濕度、風(fēng)速、風(fēng)向的量綱不同且差異較大，因此需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理[16]。其中，某一組數(shù)據(jù)x={x1，x2，…，xn}的變換公式為xi=（xi-x軃）/σ（x）（10）PCA歷史數(shù)據(jù)主成分Elman神經(jīng)網(wǎng)絡(luò)模型T（t-2）T（t-1）T（t+1）TIrThjHhjWsWd圖3PV/T組件溫度預(yù)測流程圖Fig.3PV/Tcomponenttemperaturepredictionflowchart圖4Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4Elmanneuralnetworkstructurey1（t）y1（t）x1（t）xn（t）xc1（t）xcn（t）ω1（t）ω2（t）ω3（t）u1（t）um（t）輸出層隱含層輸入層承接層李畸勇，等基于PCA-Elman神經(jīng)網(wǎng)絡(luò)的短期PV/T組件溫度預(yù)測表1PV/T組件溫度與氣象因子的相關(guān)系數(shù)Table1CorrelationofmeteorologicalelementsandPV/Tmoduletemperature氣象因子rT（t-2）0.75T（t-1）0.89Ir0.93Thj0.63Hhj0.59Ws0.11Wd0.12·1781·

【參考文獻(xiàn)】：
期刊論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的PV/T組件短期溫度預(yù)測[J]. 李畸勇,趙振東,南君培,肖晶,李宜生,湯允鳳.  廣西大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[2]光強(qiáng)和溫度對硅光伏電池輸出特性的影響[J]. 肖文波,吳華明,傅建平,譚遠(yuǎn)福.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[3]基于Elman神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J]. 劉景艷,李玉東,郭順京.  工礦自動化. 2016(08)
[4]光伏功率預(yù)測技術(shù)[J]. 龔鶯飛,魯宗相,喬穎,王強(qiáng).  電力系統(tǒng)自動化. 2016(04)
[5]改進(jìn)灰色Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組振動特征預(yù)測[J]. 李其龍,王靈梅,申戩林,郭東杰.  可再生能源. 2015(06)
[6]基于小波變換的風(fēng)電場短期風(fēng)速組合預(yù)測[J]. 田中大,李樹江,王艷紅,高憲文.  電工技術(shù)學(xué)報. 2015(09)
[7]基于多位置NWP與主成分分析的風(fēng)電功率短期預(yù)測[J]. 王麗婕,冬雷,高爽.  電工技術(shù)學(xué)報. 2015(05)
[8]基于數(shù)值天氣預(yù)報的母線負(fù)荷預(yù)測[J]. 李博,門德月,嚴(yán)亞勤,楊軍峰,周劼英,羅治強(qiáng),曾麗莉.  電力系統(tǒng)自動化. 2015(01)
[9]氣象要素對太陽能電池板溫度的影響[J]. 潘進(jìn)軍,申彥波,邊澤強(qiáng),王香云.  應(yīng)用氣象學(xué)報. 2014(02)
[10]基于天氣分型的風(fēng)電功率預(yù)測方法[J]. 王勃,馮雙磊,劉純.  電網(wǎng)技術(shù). 2014(01)



本文編號：2901886