為準確預測太陽能輻射量,提出一種基于多元分析的優(yōu)化模糊神經網絡預測輻射量的方法。首先結合曲線擬合和拉依達準則對數(shù)據(jù)做粗大誤差的剔除,然后運用主成分分析法提取影響太陽能輻射量的主要因素,最后結合定性分析和定量分析建立優(yōu)化的模糊神經網絡預測模型,并設計數(shù)據(jù)采集裝置采集短期氣象數(shù)據(jù),以提高預測的實時性和準確性。通過與不同的預測模型對比,驗證本文所提算法和模型的正確性,結果表明該模型有效提高了短期太陽能數(shù)據(jù)預測的精準度。 

【文章來源】：水力發(fā)電. 2019,45(07)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

測量裝置示意3.2數(shù)據(jù)處理

。定性模塊數(shù)據(jù)來源于NSNA提供的歷史氣象數(shù)據(jù)，主要包括:溫度、濕度、風速、大氣壓強、晴空日照比、太陽輻射量等數(shù)據(jù);定量模塊的數(shù)據(jù)來源于測量裝置的實時測量，主要包括:溫度、濕度，大氣壓強、大氣通透性、光照強度。圖4數(shù)據(jù)處理示意數(shù)據(jù)處理流程如圖4所示，結合定性分析、定量分析、主成分分析處理數(shù)據(jù)，并存儲采集數(shù)據(jù)作為新的歷史氣象數(shù)據(jù)。3.3預測程序流程基于MATLAB編寫基于多元分析的模糊神經網絡中短期太陽能輻射量預測算法，程序流程圖如圖5所示�；贛ATLAB編寫算法，用主成分分析法處理歷史氣象數(shù)據(jù)，提取主要指標作為數(shù)據(jù)定性劃分的依據(jù);測量裝置采集的數(shù)據(jù)做粗大誤差之后作為預測模型的定量數(shù)據(jù);搭建模糊神經預測系統(tǒng)，進行預測模型訓練，加入測試數(shù)據(jù)檢驗模型的合理性。圖5預測模型流程4實驗實例為驗證預測模型的合理性和預測結果的準確性，收集烏魯木齊地區(qū)太陽輻射數(shù)據(jù)和相關氣象數(shù)據(jù)，對預測模型驗證。為了科學的嚴謹性，搭建對照模

【參考文獻】：
期刊論文
[1]基于Elman神經網絡算法的電力負荷預測模型研究[J]. 李文.  赤峰學院學報(自然科學版). 2017(21)
[2]基于改進BP神經網絡的中長期電力負荷預測算法設計[J]. 李志恒,孫冉,張建立,姚峰,薛蓋超.  自動化與儀器儀表. 2017(10)
[3]光伏發(fā)電中太陽輻照度短期優(yōu)化預測仿真[J]. 鮑安平.  計算機仿真. 2017(10)
[4]結合HS算法與ESN算法的光伏發(fā)電短期出力預測[J]. 溫潤,譚麗.  計算機科學. 2017(06)
[5]基于神經網絡的風電機組變槳距恒功率控制系統(tǒng)的研究[J]. 黃俊梅.  電子產品世界. 2017(05)
[6]基于神經網絡的短期電力負荷預測仿真研究[J]. 陳亞,李萍.  電氣技術. 2017(01)
[7]基于模糊聚類和支持向量機的短期光伏功率預測[J]. 于秋玲,許長清,李珊,劉洪,宋毅,劉曉鷗.  電力系統(tǒng)及其自動化學報. 2016(12)
[8]基于改進型學習率自適應BP神經網絡的風力發(fā)電變槳距控制技術[J]. 付光杰,胡明哲.  自動化與儀器儀表. 2016(06)
[9]大規(guī)模風電并網電力系統(tǒng)經濟調度中風電場出力的短期預測模型[J]. 袁鐵江,晁勤,李義巖,吐爾遜·伊不拉音.  中國電機工程學報. 2010(13)
[10]基于神經網絡的光伏陣列發(fā)電預測模型的設計[J]. 陳昌松,段善旭,殷進軍.  電工技術學報. 2009(09)

碩士論文
[1]人工魚群神經網絡在短期電力負荷預測中的研究與應用[D]. 陳亞.寧夏大學 2017



本文編號：3341153