基于B P神经网络的光伏发电功率预测模型研究

李 星,晁 勤,任 娟,李义岩

(1.新疆大学电气工程学院,新疆 乌鲁木齐 830047;2.新疆电力科学研究院,新疆 乌鲁木齐 830011)

由于太阳能具有清洁环保、用之不尽的优势,光伏发电成为一种非常有发展潜力的新能源.近年来,在我国政府的政策性大力支持下,光伏发电发展速度惊人.尤其在我国西部地区如青海、新疆等地,光伏发电将成为系统的主流电源.在此背景下,光伏发电相关关键技术也成为必须深入研究、亟待解决的新技术领域.

由于太阳能发电输出功率受太阳光强、环境温度等多种气象因素影响,光伏发电出力具有很强的随机性、波动性和间歇性.因此,大规模光伏发电并网对电网的安全稳定运行提出了新的挑战,必须通过高精度的功率预测技术解决该问题[1-9].

目前,国内外对光伏发电功率预测技术的研究才刚刚起步,预测技术在大型光伏电站的应用效果尚不尽理想.建立一种先进的、精准的光伏发电预测模型,将对提高光伏发电并网系统运行、调度质量具有重要意义.

本文在考虑太阳光照强度、环境温度的基础上,首次创新性的提出将光伏组件的清洁度作为功率预测模型输入因子,基于BP神经网络建立了光伏发电功率预测模型,并通过新疆电力科学研究光伏发电系统实测数据,对比分析了模型的预测精度和造成误差的原因.分析结果表明:该光伏发电预测模型预测精度较高,能够满足实际工程应用的要求.

1 B P神经网络模型

1.1 BP神经网络简介

BP网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一.通过误差反向传播来不断调整网络的权值和阈值,最终使网络误差达到目标范围.BP神经网络模型拓扑结构包括输入层、中间层和输出层,如图1所示[5-12].

图1 BP神经网络模型

1.2 光伏发电功率预测模型

1.2.1 光伏组件清洁度

本文对光伏组件的清洁程度进行量值化描述,用符号λ表示,取值范围0~100.当光伏组件被灰尘完全覆盖至有功出力为0时则清洁度λ为0;当光伏组件清洁程度达到100%有功出力时,λ取值100.λ通过试验确定.

1.2.2 预测模型及软件化

本文采用三层结构,输入因子考虑时刻、光照度、环境温度、光伏组件清洁度.输出变量为光伏发电有功出力.基于MATLAB软件平台编制了BP神经网络模型软件程序.软件功能界面如图2所示.程序核心部分如下:

图2 光伏发电功率预测软件功能示意

[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 算例验证

为验证本文所建立预测模型的有效性,以新疆电力科学研究院光伏发电系统2012年5月1日、5月3日实测数据为样本.其中,5月2日对光伏组件进行过一次彻底的清洗,清洗后,清洁度由78提高至85.光伏组件清洗前后清洁度曲线见图3.

图3 光伏组件清洗前后清洁度曲线

基于MTLAB软件平台编制BP神经网络光伏发电功率预测程序进行运行仿真.历史发电功率、预测发电功率、预测日实测发电功率及对比曲线如图4~7所示.

图4 历史发电功率曲线

由图7可知,光伏发电预测功率与预测日实测功率具有相同的变化趋势,方均根平均误差为14.3%,满足工程应用要求.但由于预测日突然出现云层遮阴光伏组件而光照度并未出现骤变的情况,故预测出力与实测出力在个别采样点存在时间延迟特性.

3 结 论

(1)本文提出的将光伏组件清洁度作为神经网络预测模型输入因子的思想科学、可行,有助于提高光伏发电功率预测的精度.

图5 预测发电功率曲线

图6 预测日实际发电功率曲线

图7 预测/实测功率对比曲线

(2)本文建立的基于BP神经网络算法的光伏发电功率预测模型合理、有效,能够满足工程应用要求.

[1] 陈峦.光伏电站-水电站互补发电系统的仿真研究[J].水力发电,2010,8(36):81-84.

[2] 陈峦,陈池.基于旋转备用和出力预测的风电抽水蓄能并网调