智能电网中光伏发电功率预测研究

《智能电网中光伏发电功率预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TM615密级：不保密UDC：621.3学校代码：11065硕士学位论文智能电网中光伏发电功率预测研究王倩指导教师张智晟教授学科专业名称电气工程论文答辩日期2015年5月30日摘要太阳能作为一种清洁的、可再生的新能源，世界各国开始逐渐关注它的开发和利用。目前，光伏发电并网是利用太阳能的有效方式之一，因受太阳辐照强度、大气温度、云量、风速等多种气象因素的影响，太阳能发电功率是不连续而且不稳定的，所以随着光伏发电并网规模的不断壮大，其对电力系统安全、可靠运行的不利影响也愈来愈明显。从而对光伏系统发电功率进行有效预测，有利于减少光伏发电的时变性对电力系统的不利影响，并为电力调

2、度部门合理安排常规能源发电与光伏发电并及时调整发电计划提供科学依据。在阅读大量国内外相关文献的基础上，本文对光伏发电系统做了具体介绍，主要概述了光伏并网发电系统。接着介绍了智能电网的发展和主要特性，并介绍了光伏发电于智能电网中的实际应用。本文主要在人工神经网络预测模型方面展开了研究，首先描述了该网络的基本模型构造和主要特征，然后分析了BP神经网络预测模型的构造与信息在网络中的传递过程。以提高光伏功率预测精度为主要目标，在本文中利用了基于脊波神经网络和深层神经网络的两种光伏功率预测模型，并详细介绍了他们的模型构造和学习算法。为了验证本文所用模型的实用性和可行性，选取美国俄勒冈州的

3、Ashland光伏发电站的历史功率数据和气象数据为样本数据，首先利用这些数据来阐述了光伏发电的主要影响因素，为预测模型输入信息的选择提供了理论参考。然后对所用模型做了仿真验证，仿真结果证明，和传统BP神经网络预测模型比较，脊波神经网络和深层神经网络两种模型均能取得较好的预测结果。关键词：光伏功率预测；脊波神经网络；深层神经网络；粒子群优化算法AbstractSolarpowerasakindofcleanandrenewableenergy,theworldbegintopayattentiontoitsdevelopmentanduse.Atpresent,large-sca

4、lephotovoltaicpowergenerationtoaccesspowergridisoneoftheeffectivewaysofusingsolarenergy,Photovoltaicpowergenerationhasobviousintermittentandvolatilitybecauseitisaffectedbytheintensityofsolarradiationandweather,itisharmfultopowersystemsecurity,stabilityandeconomicoperation.Withtheincreasingof

5、solarpowercapacity,itsinfluencetopowergridisalsogrowing,itisbeneficialtoschedulingdepartmenttoadjusttheschedulingplanandreducetheadverseeffectsoftimevariabilitybymakingahighprecision,highstabilityandeffectiveforecastingforthephotovoltaicpower.Itcanalsoreducesystemoperatingcostsandspinningres

6、ervepowertoprovideascientificbasisforeconomicdispatch.Afterreadingalargenumberofreferences,inthispaper,photovoltaicpowergenerationsystemsintroducedindetail,mainlyonthegrid-connectedphotovoltaicpowergenerationsystem.Thendescribesthedevelopmentandcharacteristicsofthesmartgrid,andanalyzesthepra

7、cticalapplicationofphotovoltaicpowergenerationinthesmartgrid.Thispapermainlystudiestheartificialneuralnetworkpredictionmodel,atfirst,describesthebasicstructureandmainfeaturesofthemodel,thenanalyzesthestructureofBPneuralnetworkmodelandanalyzesthetra