【正文】 ： ?????????????????????????21122)2(1112211skjkikkijiikkjijpfwfatwaaaaEiwEw??? (22) 其中： ?? ?????????21 2,2,2,1sk kkkkkikikiiiij atefewefe ??? (23) 同理可得： jiib ???? 1 (24) 在 MATLAB工具箱中，上述公式的計算均已編成函數(shù)的形式，通過簡單的書寫調(diào)用即可方便地獲得結(jié)果。 指令格式： =newff =newff(PR,[S1,S2,?,SN],{TF1,TF2,?,TFN},BTF,BLF,PF) 參數(shù)意義： PR 輸入向量的取值范圍。 BTF的值還可以選擇 trainbfg、 trainrp、 traingd 等。 由于系統(tǒng)是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及訓練時間的長短的關系很大。 可以用 =train(,p,t)來訓練函數(shù) [10]。通常為了避免這種現(xiàn)象的發(fā)生，一是選取較小的初始權(quán)值，二是采用較小的學習速率，但這又增加了訓練時間。但是這個碗的表面是凹凸不平 的，因而在對其訓練過程中，可能陷入某一小谷區(qū)，而這一小谷區(qū)產(chǎn)生的是一個局部極小值。 對于非線性網(wǎng)絡，選擇合適的學習速率也是一個很重要的問題。 杭州電子科技大學本科畢業(yè)設計 25 BP 神經(jīng)網(wǎng)絡的光伏發(fā)電量預測模型設計 影響光伏發(fā)電量的環(huán)境因素 輻照強度對光伏系統(tǒng)發(fā)電功率的影響 太陽輻照強度可以定義為照射到單位時間單位面積上的太陽光能量，其單位為 W/m2。此外 ,天氣情況、太陽照射角度、觀測日期、時間和云量都會對太陽福照度造成很大影響。 杭州電子科技大學本科畢業(yè)設計 26 圖 在特定溫度下，不同輻照強度對應的光伏電池伏安特性曲線 圖 化曲線。因此，為了提高預測精度，需要將光伏歷史數(shù)據(jù)根據(jù) 日氣象類型 的特點分類為：晴天、云天和雨天，其中云天包括多云和陰天兩種天氣狀況。 溫度對光伏系統(tǒng)發(fā)電功率的影響 大氣溫度的變化對光伏系統(tǒng)發(fā)電功率產(chǎn)生一定影響，因為光伏歷史發(fā)電數(shù)據(jù)映射出的發(fā)電功率曲線的形狀與 日氣象類型 曲線相似，而相同 日氣象類型 情況下的氣溫變化將映射曲線高度的細微變化。用拆分的方式分別建模，一方面簡化 了模型，方便了網(wǎng)絡的訓練；另一方面也有利于提高模型的預測精度。 隱含層節(jié)點的確定 隱含層節(jié)點的作用是從樣本中提取并儲存其內(nèi)在規(guī)律，每個隱層節(jié)點有若干個，而每個權(quán)值都是增強網(wǎng)絡映射能力的一個參數(shù)。在用試湊法時，可以用一些確定隱層節(jié)點數(shù)的經(jīng)驗公式。以晴天為例，選擇前一天 6:0019:00這 13個時間段實際可發(fā)電量、預測日相應時間段的太陽光照強度和溫度為網(wǎng)絡的輸入量。 預測模型設計 BP神經(jīng)網(wǎng)絡因其強大的非線性映射能力而能夠逼近任意復雜的非線性函數(shù) ,但隨著問題復雜性不斷增加，一個復雜網(wǎng)絡在訓練時所需的樣本量和學習時間也都急劇增加，而且得到的復雜網(wǎng)絡往往并不能揭示問題的層次和結(jié)構(gòu)，然而光伏系統(tǒng)的資料數(shù)據(jù)有限。 可通過對歷史發(fā)電量數(shù)據(jù)的統(tǒng)計將晴天、多云、陰天、雨天等 日氣象類型 信息映射為 0～ 1之間的一個 日氣象類型 指數(shù)作為預測模型的輸入變量。不同的 日氣 象類型 主要導致當天的輻照強度不同。 圖 , 不同輻照強度對應的光伏電池伏安特性曲線 , 可以明顯地看出隨著輻照強度的增大 , 光伏電池的開路電壓、短路電流變大 , 伏安特性曲線逐步向外側(cè)偏移 , 引起輸出功率的增大。因此，當太陽輻照強度增加時，光伏系統(tǒng)輸出功率也會隨之增加。尋優(yōu)的過程與初始點的選取關系極大，初始點如果更靠近局部最優(yōu)點，而不是全局最優(yōu)點，就不會得到正確結(jié)果，這也是多層網(wǎng)絡無法得到最優(yōu)解的一個原因。網(wǎng)絡隱層神經(jīng)元數(shù)對網(wǎng)絡有一定影響。這是因為 BP 算法采用的是梯度下降法，訓練是從某一起始點沿誤差函數(shù)的斜面逐漸達到誤差的最小值。 （ 2） 完全不能訓練 這主要出現(xiàn)在網(wǎng)絡出現(xiàn)的麻痹現(xiàn)象上。當所訓練矢量的誤差平方和小于誤差目標，訓練則停止，否則在輸出層計算誤差變化，且采用反向傳杭州電子科技大學本科畢業(yè)設計 23 播學習規(guī)則來調(diào)整權(quán)值，并重復此過程。 權(quán)值初始化 前 饋型神經(jīng)網(wǎng)絡在訓練之前必須要對權(quán)值和閾值進行初始化，newff( )函數(shù)可以自動完成這一過程，但是無法重新復制。 執(zhí)行結(jié)果：創(chuàng)建一個 N 層的 BP 神經(jīng)網(wǎng)絡。對于對數(shù) S型激活函數(shù) nenf ???1 1)( (26) 其導數(shù)為： )](1)[()111(11)11()1( 1)1( )1(0)( 22nfnfeeeeeenfnnnnnn??????????? ?????????? (27) 對于線性函數(shù)的導數(shù)有： 1)( ???? nnf (28) 所以對于具有一個 S型函數(shù)的隱含層，輸出層為線性函數(shù)的網(wǎng)絡，有： )1(1,12 aaff ????? (29) BP 神經(jīng)網(wǎng)絡的設計 構(gòu)建神經(jīng)網(wǎng)絡 訓練神經(jīng)網(wǎng)絡之前需要構(gòu)造一個網(wǎng)絡 構(gòu)架，函數(shù) newff( )就是用來構(gòu)建神經(jīng)網(wǎng)絡的。如果在輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡將誤差信號沿原來的連接通路反傳回來修改各層神經(jīng)元的權(quán)值直至達到期望目標。 BP算法屬于 δ 算法，是一種監(jiān)督式的學習算法。隱節(jié)點一般采用 Sigmoid型函數(shù)（對數(shù)S型激活函數(shù) logsig( ),雙曲正切型 S型激活函數(shù) tansig( ))，輸入和輸出節(jié)點可以采用 Sigmoid型函數(shù)或者線性函數(shù) （ purelin( )） 。 BP神經(jīng)網(wǎng)絡具有以下特點 [6]： 1） 能夠以任意精度逼近任何非線性映射，實現(xiàn)對復雜系統(tǒng)建模。 BP神經(jīng)網(wǎng)絡是目前應用最為廣泛和成功的神經(jīng)網(wǎng)絡之一。 太陽能電池隨環(huán)境變化的輸出特性 由于光伏電池的輸出受外界環(huán)境如溫度和光照強度的影響 ,光伏輸出具有明顯的非線性，圖 是在光照強度為 l000W/m2條件 ,不同環(huán)境溫度光伏電池的伏安特性和伏瓦特性曲線。充電效率高 。 太陽能電池板 太陽能電池板是太陽能發(fā)電系統(tǒng)的核心 部分， 也是太陽能發(fā)電系統(tǒng)中價值最高的部分。其特點是可靠性高、使用壽命長、不污染環(huán)境、能獨立發(fā)電又能并網(wǎng)運行，受到各國企業(yè)組織的青睞，具有廣闊的發(fā)展前景 ，支持其實現(xiàn)“光能轉(zhuǎn)換成電能”功能的主要部件為太陽能電池 。光伏系統(tǒng)功率預測采用精細化的數(shù)值天氣預報并結(jié)合實時的氣象數(shù)據(jù)，通過自主研發(fā)的功率預測模型，實現(xiàn)了光伏電站短期及超短期的功率預測，為大規(guī)模光伏電站的并網(wǎng)接入、調(diào)度決策提供預測分析和決策支持 [3]。但該方法無實際光伏電站的實況發(fā)電量資料，缺乏實驗驗證，對實際光伏電站發(fā)電量預報的指導意義有限。 國內(nèi)外光伏發(fā)電量預測的研究動態(tài) 目前，國外光伏發(fā)電量預報技術(shù)研究已有一定的發(fā)展，如德國、瑞士、西班牙、日本等國已展開利用氣象預報對光伏電站發(fā)電量進行杭州電子科技大學本科畢業(yè)設計 9 預測的研究和應用。 (3) 粗糙集理論 粗糙集理論是由波蘭學者 、不一致、不完整信息問題的數(shù)學理論和方法。預測模型受原始數(shù)據(jù)影響，對這種隨機性、波動性較大的數(shù)據(jù)序列擬合效果不好，單一使用灰色預測 GM(1,1)模型難以達到預測精度。采用恰當?shù)臄?shù)據(jù)挖掘方法可以解決這一問題。雙神經(jīng)網(wǎng)絡的預測模型應用自組織特征映射模型( Selfanizing map， SOM)，根據(jù)云量預報信息對氣象類型聚類識別，再 根據(jù)識別的天氣類型選用相應的 BP 神經(jīng)網(wǎng)絡進行預測，克服了BP神經(jīng)網(wǎng)絡無法應對天氣突變的缺點。 時間序列法、回歸分析法計算量 小，速度快，但難以反映負荷與氣象等變量之間動態(tài)、非線性的關系，對復雜多變的光伏發(fā)電系統(tǒng)預測效果較差。 (2) 時間序列分析法 時間序列分析法就是將光伏發(fā)電量歷史數(shù)據(jù)按時間順序排列成時變的統(tǒng)計序列，建立隨時間變化的變化模型，并將模型外推進行預測。 原理預測法不適合對建筑集成光伏系統(tǒng)進行預測。A為極板面積 (m2 )。若能對不同氣候、不同天氣狀態(tài)下每日的光伏發(fā)電量能進 行較準確地預測，對整個光伏產(chǎn)業(yè)的普及，對國家?guī)淼慕?jīng)濟效益，對環(huán)境的保護都有十分重要的作用。傳統(tǒng)的能源燃料資源正隨著工業(yè)發(fā)展的需求逐天減少，尋求一種清潔可再生能源迫在眉睫。本文提出了一種利用氣象信息和歷史發(fā)電量來預測次日光伏發(fā)電量的模型，整個模型采用非線性 映射能力較強的 BP神經(jīng)網(wǎng)絡來建立。而城市建筑屋頂作為城市中利用率較低的部分，如果在閑置的屋頂上均安裝太陽能光伏發(fā)電系統(tǒng)，對整個城市都將帶來許多利益。s buildings, extended to the case that all roof of the campus are installed with solar panels, predict total power generation capacity. Keywords: the forecasting of PV system meteorological factor BP neural work modularity 杭州電子科技大學本科畢業(yè)設計 目 錄 ................................................... 2 課題研究背景及意義 ................................. 2 光伏發(fā)電系統(tǒng)發(fā)電量預測方法綜述 ..................... 3 原理預測法 ................................... 3 統(tǒng)計預測方法 ................................. 4 智能預測方法 ................................. 5 不確定理論預測方法 ............................ 7 國內(nèi)外光伏發(fā)電量預測的研究動態(tài) ..................... 8 本文主要內(nèi)容及章節(jié)安排 ............................ 10 ...................................... 11 太陽能電池發(fā)電原理 ............................... 11 光伏發(fā)電系統(tǒng)的組成 ............................... 12 太陽能電池隨環(huán)境變化 的輸出特性 .................... 13 神經(jīng)網(wǎng)絡基本原理 .................................... 16 BP 神經(jīng)網(wǎng)絡的結(jié)構(gòu) ................................. 17 BP 神經(jīng)網(wǎng)絡的學習算法 ............................. 18 BP 神經(jīng)網(wǎng)絡的設計 ................................. 21 BP 網(wǎng)絡的限制與不足 ............................... 23 BP 神經(jīng)網(wǎng)絡的光伏發(fā)電量預測模型設計 ................ 25 影響光伏發(fā)電量的環(huán)境因素 .......................... 25 輻照強度對光伏系統(tǒng)發(fā)電功率的影響 ............. 25 日氣象類型 對光伏系統(tǒng)發(fā)電功率的影響 ........... 26 溫度對光伏系統(tǒng)發(fā)電功率的影響 ................. 28 季節(jié)對光伏陣列發(fā)電量的影響 ................... 29 預測模型設計 ......................