负荷预测论文

《负荷预测论文》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、云电科技175kWp光伏发电预测技术摘要：电力负荷预测是电力系统规划的重要组成部分，精确的负荷预测可以为调度员提供必要的基础数据，其对电力系统规划和运行都极其重要。神经网络能够以任意精度逼近任何非线性映射，其分布式信息存储与处理结构具有一定的容错性，适合对复杂系统建模，可以作为预测光伏电站运行状态变量的主要方法。本文采用神经网络算法对云电科技园175kWp光伏发电系统的负荷预测进行建模，算法屮融入了气彖预报信息，利用历史发电数据和历史气彖预报信息对模型进行了训练，并用训练好的模型进行了测试，得到了高精度的预测结果，提高了系统运行的稳定性。关键词：分布式信息；负荷预测；神经网络1前言我国是世界

2、上太阳能资源丰富的国家Z-,全年辐射总量在917-2333kW-h/n?之间，光伏发电在我国有巨人的发展潜力⑴。国内建成的深圳国际园林花卉博览园光伏并网发电系统装机容量达1MW,目前已投入使用⑵；云南石林166MW太阳能光伏并网实验示范电站也建成，分为实验示范区和科普区；新调若羌县已建成国内最大的离网型光伏电站，解决了800多户居民的日常用电需求。随着光伏电站的发展，我们对光伏发电的技术水平提出了更高的要求，在这些要求屮最难点就是光伏发电的负荷预测。众所周知，光伏发电与风力发电一样,均属于波动性和间歇性电源，同时，各用户或小区使用的光伏电池种类及其安装位置随机性也大。光伏发电系统相对于大电网

3、是一个不可控源，英发电随机性会对大电网造成冲击。Fl前对于太阳能的随机性以及光伏阵列发电预测技术的研究不多[3_4]O当今，国内外关于大型光伏电站发电功率预测的研究和报道也很少，相关研究主要集屮在光伏电站发电功率的外部影响因素建模、估计和预测方面，包拾太阳辐射曝辐量、辐照度、温度和H照时长等，总体上可分为四类：第1类是根据气象参数（如温度，H照时长，相对湿度，风速，风向，气压，云量，睛朗指数）和地理坐标（纬度，经度）估计太阳辐射曝辐量或辐照度；第2类是综合利用现有的观测数据、气象参数以及地理坐标來预测未来某个时刻的辐照度，以及对不同研究方法和模型的效果进行对比；第3类是研究光伏电池温度估计的

4、经验模型和光伏电站的长期性能评估等；第4类是利用连续的卫星图像得到云的移动矢量进而对太阳辐射做出预测。云南地处高海拔地区，H照时间长，太阳能辐射量人，具有发展光伏发电得天独厚的条件。本文基于云电科技园并网光伏发电系统（一期工程175kWp）进行研究和示范工程建设。采用第1类方法对光伏电站发电功率进行了预测，为了提高日类型变化时预测的准确性，预测模型经过历史气象数据和历史发电量的反复训练，并以预测日的天气预报信息作为预测模型的输入参考量，得到预测日的发电量，达到了一定的预测精度。2光伏发电功率预测模型2.1神经网络简介神经网络是一种运算模型，由大量的节点（或称神经元或单元）和相互之间的加权连接

5、构成。每个节点代表一种特定的输岀函数，称为激励函数。每两个节点间的连接都代表一个对丁•通过该连接信号的加权值，称Z为权重。网络的输出则根据网络的连接方式、权觅值和激励函数的不同而不同。神经网络具有自学习和自适应的能力，可以通过预先提供的i批相互对应的输入-输出数据，分析掌握两者Z间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。神经网络不是通过修改处理单元来完成训练过程，而是靠改变网络屮连接的权重来学习的⑸。如图1所示为i个节点模型。图1简单神经网络模型连接权值的作用是将信号强度放人，每一个输入量Xj都相应有一个相关联的权重wjo处理单元经过权重

6、的输入量化，然后相加求得其加权值之和，计算出唯一的输出量，这个输出量Y是权重和的函数，称此函数为传递函数。这个过程可以表示为：y=/(艮we+5)⑴J神经网络的工作方式就是将加权总和与神经元的阈值进行比较，若它大于阈值，神经元被激活。当它被激活时，信号被传送到与其相连的更高一级神经元。故神经网络由层层的处理单元组成，接收输入信号的神经元层称为输入层，输出信号的神经元层称为输出层，不直接与输入/输出发生联系的神经元层称为屮间层或隐层。如图2所示.输入层隱含层输出层图2神经网络架构示意图神经网络可以分为感知器神经网络，线性神经网络，BP神经网络，径向基神经网络，竞争神经网络，反馈神经网络，随机神

7、经网络。本文应用的是BP神经网络，以下具体介绍BP神经网络。BP(BackPropagationNeuralNetwork)神经网络是指基于误差反向传播算法的多层前向神经网络⑹，即信号是前向传播的，误差是反向传播的。反向传播是指误差的调整过程是从最后的输出层依次向Z前各层逐渐进行的，网络权值沿着性能函数的梯度反向调整。图3为BP神经元模型示意图。PlP2P3图3BP神经元模型示意图BP神经网络具有以下特点：(