本文關(guān)鍵詞：考慮氣象要素的光伏預(yù)測模型研究

  更多相關(guān)文章： 光伏預(yù)測 多元線性回歸 支持向量機 灰色理論 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：近年來,光伏發(fā)電技術(shù)發(fā)展迅速,發(fā)電成本不斷下降,光伏并網(wǎng)容量逐漸增加。但是,由于光伏系統(tǒng)輸出功率受到多種氣象因素的影響,輸出功率具有不確定性和不穩(wěn)定性,光伏并網(wǎng)給整個電網(wǎng)的電能質(zhì)量和電網(wǎng)電力安全均帶來一定影響。優(yōu)化調(diào)度、安全運行電力系統(tǒng)需要光伏電站能較為準確的預(yù)測光伏系統(tǒng)的日瞬時發(fā)電功率及日累計發(fā)電功率。選擇光伏預(yù)測模型作為研究內(nèi)容,結(jié)合氣象數(shù)據(jù)作為輸入,具有一定的學(xué)術(shù)價值和現(xiàn)實意義。本文首先探究影響光伏輸出功率的幾個氣象要素,通過歷史發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)直觀分析太陽輻射強度、大氣溫度、相對濕度、風況、天氣類型與光伏發(fā)電功率的關(guān)系。然后利用相關(guān)系數(shù)法對氣象要素與光伏輸出功率進行相關(guān)性分析,定量得到各氣象要素對光伏輸出功率的影響權(quán)重,選取太陽輻射強度、大氣溫度為主要氣象要素,相對濕度為次要氣象要素,為建立光伏預(yù)測模型提供理論與數(shù)據(jù)基礎(chǔ)。本文先后闡述了多元線性回歸、支持向量回歸、灰度理論以及BP神經(jīng)網(wǎng)絡(luò)的基本理論,對模型的各項參數(shù)以及模型的建立過程等內(nèi)容進行了詳細地闡述與分析,在相關(guān)性分析的基礎(chǔ)上,綜合利用光伏系統(tǒng)輸出功率的歷史數(shù)據(jù)、氣象因子等影響因素作為數(shù)據(jù)輸入樣本,在Matlab環(huán)境下,基于四種算法分別建立了對應(yīng)的預(yù)測模型。然后利用光伏電站歷史數(shù)據(jù)分別對四種預(yù)測模型進行誤差分析,預(yù)測結(jié)果表明除了灰度理論,其余三種方法都能較為準確的預(yù)測光伏輸出功率,其中,支持向量回歸模型預(yù)測精度最高,穩(wěn)定性最好。最后,利用支持向量回歸方法,分別對晴天、多云、陰天、雨天氣象條件下的光伏輸出功率進行預(yù)測,將預(yù)測值與真實值進行對比。結(jié)果表明,本論文所建立的模型具有較好的預(yù)測能力,能達到較高的預(yù)測精度。
【關(guān)鍵詞】：光伏預(yù)測 多元線性回歸 支持向量機 灰色理論 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM615
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 課題研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 國內(nèi)外光伏發(fā)電發(fā)展現(xiàn)狀11-12
• 1.2.2 國內(nèi)外光伏發(fā)電預(yù)測模型研究現(xiàn)狀12-14
• 1.3 本論文研究內(nèi)容14-15
• 第2章 光伏發(fā)電功率氣象影響要素分析15-25
• 2.1 影響光伏輸出功率的氣象要素分析15-23
• 2.1.1 太陽輻照強度對光伏輸出功率的影響15-17
• 2.1.2 氣溫對光伏輸出功率的影響17-18
• 2.1.3 相對濕度對光伏輸出功率的影響18-19
• 2.1.4 風況對光伏輸出功率的影響19-20
• 2.1.5 天氣類型對光伏輸出功率的影響20-23
• 2.2 氣象因子相關(guān)性分析23-24
• 2.3 本章小結(jié)24-25
• 第3章 考慮氣象要素的光伏功率預(yù)測基本理論25-39
• 3.1 多元線性回歸模型25-28
• 3.1.1 光伏電池模型輸出功率理論計算25-27
• 3.1.2 多元線性回歸模型27-28
• 3.2 支持向量回歸模型28-33
• 3.2.1 統(tǒng)計學(xué)習(xí)基本理論29-30
• 3.2.2 支持向量回歸原理30-31
• 3.2.3 SVR模型核函數(shù)的選擇31-32
• 3.2.4 SVR模型參數(shù)的選擇32-33
• 3.3 灰色模型33-35
• 3.3.1 灰色生成33
• 3.3.2 灰色模型GM(1,1)建立33-34
• 3.3.3 改進的GM(1,1)殘差修正模型建立34-35
• 3.4 BP神經(jīng)網(wǎng)絡(luò)模型35-38
• 3.4.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)35-36
• 3.4.2 BP神經(jīng)網(wǎng)絡(luò)原理及算法36-37
• 3.4.3 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程37-38
• 3.5 本章小結(jié)38-39
• 第4章 光伏發(fā)電功率預(yù)測計算分析39-56
• 4.1 預(yù)測數(shù)據(jù)預(yù)處理39-40
• 4.2 采用多元線性回歸模型進行預(yù)測40-42
• 4.2.1 預(yù)測流程40
• 4.2.2 預(yù)測結(jié)果分析40-42
• 4.3 采用支持向量回歸模型進行預(yù)測42-44
• 4.3.1 預(yù)測流程42
• 4.3.2 預(yù)測結(jié)果分析42-44
• 4.4 采用灰度理論模型進行預(yù)測44-46
• 4.4.1 預(yù)測流程44-45
• 4.4.2 預(yù)測結(jié)果分析45-46
• 4.5 采用BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測46-48
• 4.5.1 預(yù)測流程46-47
• 4.5.2 預(yù)測結(jié)果分析47-48
• 4.6 四種預(yù)測模型的對比分析48-49
• 4.7 考慮日天氣類型的光伏預(yù)測分析49-55
• 4.7.1 晴天功率預(yù)測49-51
• 4.7.2 多云天氣功率預(yù)測51-52
• 4.7.3 陰天功率預(yù)測52-53
• 4.7.4 雨天功率預(yù)測53-55
• 4.8 本章小結(jié)55-56
• 結(jié)論56-57
• 參考文獻57-60
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文60-61
• 致謝61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 羅建春;晁勤;羅洪;冉鴻;楊杰;羅慶;阿里努爾·阿木提;;基于LVQ-GA-BP神經(jīng)網(wǎng)絡(luò)光伏電站出力短期預(yù)測[J];電力系統(tǒng)保護與控制;2014年13期

2 黃磊;舒杰;姜桂秀;張繼元;;基于多維時間序列局部支持向量回歸的微網(wǎng)光伏發(fā)電預(yù)測[J];電力系統(tǒng)自動化;2014年05期

3 蔣浩;洪麗;張國江;;主成分分析結(jié)合神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量預(yù)測[J];電力系統(tǒng)及其自動化學(xué)報;2013年06期

4 袁曉玲;施俊華;徐杰彥;;計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測[J];中國電機工程學(xué)報;2013年34期

5 王曉蘭;葛鵬江;;基于相似日和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的光伏陣列輸出功率預(yù)測[J];電力自動化設(shè)備;2013年01期

6 ;光伏:多事之秋已然來臨[J];高科技與產(chǎn)業(yè)化;2012年10期

7 李芬;陳正洪;成馳;蔡濤;楊宏青;申彥波;;武漢并網(wǎng)光伏電站性能與氣象因子關(guān)系研究[J];太陽能學(xué)報;2012年08期

8 傅美平;馬紅偉;毛建容;;基于相似日和最小二乘支持向量機的光伏發(fā)電短期預(yù)測[J];電力系統(tǒng)保護與控制;2012年16期

9 王守相;張娜;;基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測[J];電力系統(tǒng)自動化;2012年19期

10 丁明;王磊;畢銳;;基于改進BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測模型[J];電力系統(tǒng)保護與控制;2012年11期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 何明瓊;陳正洪;成馳;;光伏發(fā)電量與氣象因子的關(guān)系及其預(yù)報試驗簡報[A];第27屆中國氣象學(xué)會年會氣候資源應(yīng)用研究分會場論文集[C];2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 姬忠良;基于支持向量機的VCM生產(chǎn)過程控制方法研究[D];大連理工大學(xué);2006年

2 李治友;遺傳算法和支持向量機混合方法及其應(yīng)用[D];重慶大學(xué);2003年

，

本文編號：982568