基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究

《基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第23卷第3期中国管理科学Vo1．23．NO．32015芷3月ChineseJourna1ofManagementScienceMar．，2015文章编号：1003—207(2015)03一Oll8一O5DOI：10．16381／j．cnki．issnl003—207x．2015．03．014基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究嵇灵，牛东晓，汪鹏(华北电力大学经济与管理学院，北京102206)摘要：光伏发电功率的预测是光伏发电规划和运行的基础，因而受到越来越多的重视。文中提出了FCM相似日聚类与智能算法相结合的光伏阵列功率短期预测模型。该方法的思路是首先通过分析影响光伏阵列

2、输出功率的主要因素，对历史数据与预测El气象环境进行模糊分类，并筛选出相似度高的子集作为样本，以提高预测样本的质量；然后通过神经网络映射出特征空间与光伏功率之间的复杂关系，并用贝叶斯理论对神经网络参数进行优化，提高网络的泛化能力。为检验该方法的有效性和精确性，将所提出方法与常用BP神经网络模型对同一仿真算例进行预测，预测结果表明本文提出的预测模型效果更佳。关键词：光伏阵列；功率预测；相似日；模糊C均值聚类；贝叶斯神经网络中图分类号：C931文献标识码：A换效率等将太阳辐照量转化为光伏阵列输出功率，1引言如Diaz等[6通过建立数值模型对太阳辐照量进行随着气候变化、资源能源的耗竭和成本增加，

3、可计算；后者则是通过采用回归平滑平均模型、神经网再生能源(风能、太阳能、地热能等)的开发和利用成络等数学模型。朱永强等_7利用最小二乘支持向量为全球关注的焦点。光伏发电的建设周期短，具有机进行提前1h的光伏功率预测；丁明等[8直接利用安全可靠、无噪声、低污染、地域限制少等优点，近年光伏电站历史功率数据通过马尔科夫链直接预测光来得到了快速的发展。但由于光伏发电固有的间歇伏电站出力，时间精度为5min；Chow等[9以太阳辐性和不确定性特点，大规模分布式光伏并网给电网照方位角、温度以及太阳辐照量作为BP神经网络的安全稳定运行、有效调度等工作带来极大的挑模型的输人数据进行光伏系统输出功率预测，取

4、得战[1]。因此，精确的光伏发电功率预测是电力调较好的预测结果。度、电网规划的前提条件，具有重要的实际意义。光伏发电技术是利用半导体不同层面的光生伏近年来，国内外学者都采用不同的理论方法和特效应而将光能直接转化为电能的一种技术。太阳模型对光伏输出功率进行研究。从传统的回归模辐照量是光伏发电的主要影响因素，辐照量是表示型、灰色预测发展到后来的神经网络人工智能算法，在某一面积上特定时间内的太阳辐射量，用单位以及多种方法的组合模型，模型的鲁棒性以及预测kwh／m。表示，然而太阳辐照量受气候条件(温度、的精度逐步提高口]。总体上对于光伏发电的短期湿度、浮尘、云量、空气污染等)、地面离太阳的距离，预

5、测思路可归纳为通过预测太阳辐射强度间接预测以及障碍物等因素影响。相关文献研究验证太阳辐光伏发电以及直接预测光伏发电功率两类。前者主照量、气温、相对湿度、风速为光伏输出功率的主要影响因素r1。。。目前越来越多的研究将气象因素作要利用太阳辐照量、阵列的面积以及光伏阵列的转为光伏输出功率的输入变量，以提高预测精收稿日期：2013一O6—25；修订日期：2O13一l1—23度Ll]。神经网络的训练受到样本准确性、数据分基金项目：国家自然科学基金资助项目(71071052)；中央高校基布及数量规模等影响。训练样本的选择对于网络结本科研业务费专项资金项目(12QX23)作者简介：嵇灵(1987一)，女

6、(汉族)，浙江人，华北电力大学经济构的训练有着极为重要的影响。由于不同气象状态与管理学院，博士研究生，研究方向：电力负荷预测．下，样本间存在较大的差异，通过相似El聚类，将不同气象类型的样本分别对神经网络进行训练可以有第3期牛东晓等：基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究·119·效提高预测精度。因此基于知识挖掘，本文首先利气温(T一)、最低气温(Ti)、太阳辐射强度(G)、平用模糊均值聚类根据气象因素对预测日和历史情境均湿度(H)、云量(C)、和平均风速(W)构成环境特进行聚类分析，寻找与预测日最近的相似日。再利征空间V，本节通过建立ANN神经网络对输入特用筛选后的样本对贝

7、叶斯神经网络模型进行训练，征空间V到光伏阵列功率P之间的复杂非线性关预测光伏阵列输出功率。系进行逼近。此外，由于神经网络是典型的非参数模型，模型2相似日FCM聚类构建的信息来自于样本，因此训练结果往往不稳定知识挖掘可以从大规模的数据库和历史信息中且易产生过拟合现象。神经网络的泛化性受NiJil练挖掘提取隐含、不确定的变化信息，具有广泛的应用样本(大小和质量)以及网络的结构(隐含层的数量、价值。因此，从历史数据寻找相似日，