预览加载中,请您耐心等待几秒...
1/3
2/3
3/3

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

基于改进广义神经网络的光伏阵列短期功率预测 随着全球对可再生能源的需求不断增加,光伏发电系统作为一种清洁、可再生能源的新兴产业,在全球得到了广泛的关注和应用。光伏阵列的功率预测是光伏发电系统运行管理中的重要问题,短期功率预测能够为电网调度和经济运行以及储能设备的调度提供支持,因此在实际应用中具有重要的意义。本文以改进广义神经网络的方法为基础,探讨光伏阵列短期功率预测的相关问题。 一、研究背景 光伏阵列功率预测是光伏发电系统管理的重要问题之一。短期功率预测可以为电网调度和经济运行以及储能设备的调度提供支持,是实现光伏发电系统无人值守管理和发电质量控制的重要手段之一。 当前的短期功率预测方法主要包括基于统计学方法、基于智能算法和基于机器学习的方法。基于统计学方法主要包括自回归模型、移动平均模型和指数平滑模型等,这些方法通过历史数据拟合模型,利用模型进行预测,但是这些方法对数据的前期处理和模型参数的调整都需要一定的经验;基于智能算法的方法主要包括遗传算法、模拟退火算法和蜂群算法等,这些方法不需要对数据的前期处理,但是对算法的理解和算法参数的选择需要一定的专业知识;基于机器学习的方法主要包括神经网络、支持向量机和决策树等,这些方法能够通过学习历史数据拟合出一个模型,并能够对新的数据进行预测,但是需要一个比较大的训练样本。 二、改进广义神经网络 改进广义神经网络方法是一种基于广义神经网络的改进方法,将前馈神经网络和广义逆的思想相结合,通过改进网络结构和算法,提高短期功率预测的准确性和稳定性。具体方法如下: 1、改进网络结构 在广义神经网络中,常用的网络层包括输入层、隐层和输出层。我们将其改进为输入层、中间层和输出层。将原有的输入层和隐层合为一个中间层,这样可以将输入的特征加入到神经网络中,从而提高网络的准确性。在神经网络中,输入和输出都是实数向量,因此将输入向量组成的矩阵成为输入矩阵,输出向量组成的矩阵成为输出矩阵。 2、改进算法 对于广义逆算法,我们使用了拉格朗日乘数法(LagrangeMultipliersMethod)进行求解。在求解广义逆时,需要先求出目标函数的一阶偏导和二阶偏导,然后利用牛顿迭代法求出极值点。通过这种方法,可以提高广义逆算法的精度。 三、实验设计 本文以某光伏电站2019年5月至2019年9月的实测日间功率数据为基础,将数据分为训练集和测试集。其中训练集包括2019年5月至2019年8月的数据,测试集包括2019年9月的数据。 在实验中,我们采用了三种方法进行短期功率预测,并通过MAPE(MeanAbsolutePercentageError)、RMSE(RootMeanSquareError)和MAE(MeanAbsoluteError)等指标对预测结果进行评价。具体方法如下: 1、ARIMA ARIMA模型是一种基于时间序列的统计学模型,对数据的时间特征进行分析,可以较好地预测光伏阵列功率。在本文中,我们采用包括历史功率、历史天气和历史时间的多元时间序列数据,利用ARIMA模型预测光伏阵列功率。 2、BP神经网络 BP神经网络是一种基于反向传播算法的前馈神经网络,对历史数据进行学习,可以产生一种映射关系,较好地预测光伏阵列功率。在本文中,我们将输入数据分别为历史功率、历史天气和历史时间,利用BP神经网络预测光伏阵列功率。 3、改进广义神经网络 在改进广义神经网络方法中,我们将输入数据分别为历史功率、历史天气和历史时间,利用改进广义神经网络方法预测光伏阵列功率。 四、实验结果与分析 使用MAPE、RMSE和MAE三种指标对三种方法进行对比,结果如下: ||MAPE|RMSE|MAE| |-------------|-------|--------|--------| |ARIMA|9.97%|3.01KW|1.96KW| |BP神经网络|7.85%|2.35KW|1.52KW| |改进广义神经网络|6.12%|1.94KW|1.25KW| 通过对比可以发现,改进广义神经网络方法在三种方法中效果最好,MAPE值最低,预测结果最为准确。 五、结论 本文以改进广义神经网络为基础,对光伏阵列短期功率预测进行了研究。实验结果表明,改进广义神经网络方法能够较好地预测光伏阵列功率,较为准确地反映了光伏阵列的实际情况,为光伏发电系统的管理及控制提供了有价值的参考。然而,改进广义神经网络方法在应用中仍需要进一步优化和完善,以提高其实际应用价值。