【正文】 vector machine， SVM)方法，在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上首次提出一種處理非線性分類和回歸問題的新穎的機(jī)器學(xué)習(xí)方法。在神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)中增加影響發(fā)電量的氣象因素可增加神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確性。 ? ?? ? ?? ??piqj jtjitit bXaX 1 0 ? （ 6） 未來發(fā)電量時(shí)間序列值 Xt是發(fā)電量誤差 ε t和先前發(fā)電量序列 Xt－ i的線性組合。 光伏陣列最大輸出功率為 : TPscocmmm KFFIUIUP ????? （ 4） 式中， KTP為使出功率與溫度間的關(guān)系權(quán)值 。TC為當(dāng)前溫度 溫度和太陽總輻射的兩要素模型 )ln ()]25(1[),( 32 1GaGa aTTG c?? ???? ?? a1， a2， a3為經(jīng)驗(yàn)參數(shù)，由最小二乘法確定 。因此，需要對光伏系統(tǒng)的發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測，以便了解大規(guī)模的太陽能光伏并網(wǎng)系統(tǒng)的發(fā)電運(yùn)行特性以及與 電網(wǎng)調(diào)度、電力負(fù)荷等的配合問題，這樣有助于整個(gè)電力系統(tǒng)的規(guī)劃和運(yùn)行，從而減少光伏發(fā)電隨機(jī)性對電力系統(tǒng)的影響，提高系統(tǒng)的安全穩(wěn)定性。 為了保證電力系統(tǒng)經(jīng)濟(jì)、安全和可靠性運(yùn)行，光伏發(fā)電預(yù)測顯得越來的越迫切。以 2021 年 10 月的發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)為例，輸入數(shù)據(jù)為預(yù)測前一日的光伏發(fā)電量和預(yù)測當(dāng)日的溫度和光照強(qiáng)度，對建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對訓(xùn)練好的模型進(jìn)行了測試、預(yù)測及評估。杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 摘要 隨著社會(huì)的不斷發(fā)展，傳統(tǒng)能源的大量消耗使人們在工業(yè)發(fā)展和日常生活中面臨關(guān)于不可再生能源耗盡和嚴(yán)重的環(huán)境污染等問題。結(jié)果表明，預(yù)測模型的預(yù)測精度較高，對 發(fā)電量的預(yù)測有較好的參考作用。 然而 ,光伏系統(tǒng)的功率輸出受不同天氣狀況的影響 ,具有不確定性和周期性等特點(diǎn)。 城市屋頂是城市土地資源規(guī)劃中利用率較低的一部分，通過在城市高樓的屋頂安裝光伏發(fā)電系統(tǒng)來有效利用建筑物屋頂和幕墻，具有以下優(yōu)點(diǎn)： 1） 無需占用寶貴的土地資源，有效提高城市土地面積利用率； 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 3 2） 可在原地發(fā)電、用電，在一定距離范圍內(nèi)可節(jié)省電站送電網(wǎng)的投資，為城市和個(gè)人帶來一定的經(jīng)濟(jì)效益； 3） 能有效地減少建筑能耗，實(shí)現(xiàn)建筑節(jié)能；光伏組件安裝在建筑的屋頂及幕墻的南立面上直接吸收太陽能，建筑集成光伏 發(fā)電系統(tǒng)不僅提供了電力，而且還降低了墻面及屋頂?shù)臏厣? 4） 光伏屋頂對環(huán)境污染小，并且能夠減排大量原本因火力發(fā)電而產(chǎn)生的 CO2等溫室氣體，大規(guī)模發(fā)展光伏發(fā)電可緩解全球變暖。G為太陽總輻射量 溫度、輻射、大氣質(zhì)量三要素模型 ])/(//1[])/(/[),(00000ucmcAMAMAMAMsTTrGGGGqpAMTG?????????? P， q， m， r， s， u為經(jīng)驗(yàn)參數(shù)，通過實(shí)際工況測試得到 。 UOC， ISC， FF 分別表示電池的開路電壓、短路電流和填充因子，均可由輻射強(qiáng)度、溫度和其它已知參數(shù)表示。 ( a1， a2， ? ， ap) 為自回歸系數(shù)， ( b1， b2， ? ， b q) 為移動(dòng)平均系數(shù)。 三層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 圖 神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)圖 除輸入節(jié)點(diǎn)的選擇外，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、樣本的選取及數(shù)據(jù)的處理方法等因素也對預(yù)測結(jié)果的精度有很大影響。 SVM將低維樣本空間高度非線性的光伏發(fā)電過程映射到 高維的特征空間，將非線性問題轉(zhuǎn)化為凸二次規(guī)劃問題。支持向量機(jī)中的“黑箱”雖然考慮了非發(fā)電因素對光伏發(fā)電量的影響，但無法準(zhǔn)確掌握非發(fā)電因素對發(fā)電影響程度，更無法在氣象預(yù)測有誤差時(shí)，如何根據(jù)分析結(jié)果對發(fā)電預(yù)測結(jié)果進(jìn)行準(zhǔn) 確修正。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 8 ????????????NNNNijPPPPPP............][1111 （ 10） 利用概率轉(zhuǎn)移矩陣和初始分布就可以得到馬爾科夫鏈預(yù)測模型： nn PPP ???1 （ 11） 馬爾科夫鏈直接預(yù)測光伏發(fā)電量也可對預(yù)測誤差進(jìn)行殘差修正，提高預(yù)測精度。 灰色預(yù)測結(jié)果依賴于原始數(shù)據(jù)的精確程度，由于模型只是利用了歷史資料，一般只適用于短期和中期發(fā)電量預(yù)測，而不適用于長期發(fā)電量預(yù)測。日本 NTT Facilities公司 Kudo等根據(jù)歷史天氣資料和日本愛知縣世博園區(qū) 330kW光伏系統(tǒng)發(fā)電量數(shù)據(jù)，進(jìn)行多元回歸分析，建立預(yù)報(bào)方程，預(yù)測未來一天 05:0019:00的逐時(shí)發(fā)電量，并利用“預(yù)報(bào)＋實(shí)測＋臨近訂正”的方案，降低天氣預(yù)報(bào)失誤對于發(fā)電量預(yù)報(bào)準(zhǔn)確性的影響。 2021年 6月 26日 ,由國家電網(wǎng)電力科學(xué)研究院（下稱國網(wǎng)電科院）研發(fā)的光伏發(fā)電功率的預(yù)測系統(tǒng)在國網(wǎng)電科院實(shí)驗(yàn)中心大樓完成了安裝和調(diào)試，并開始實(shí)驗(yàn)運(yùn)行，為今后深入地研究光伏發(fā)電系統(tǒng)預(yù)測技術(shù)及開發(fā)實(shí)用型的產(chǎn)品積累了寶貴的實(shí)踐經(jīng)驗(yàn)。 第四章將介紹運(yùn)用 BP算法對光伏發(fā)電量預(yù)測的詳細(xì)步驟，包括分析影響光伏發(fā)電量的因素及相關(guān)氣象因子的選取，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)及輸出層節(jié)點(diǎn)點(diǎn)的確定，建立模型的步驟并設(shè)計(jì)模型。它們在 PN 結(jié)附近形成與內(nèi)建電場方向相反的光生電場。其他附加功能如光控開關(guān)、時(shí)控開關(guān)都應(yīng)當(dāng)是控制器的可選項(xiàng)。低廉的價(jià)格。 圖 相同環(huán)境溫度下，不同光照強(qiáng)度對光伏電池伏安特性和伏瓦特性曲線 圖 (a)為在一定的溫度條件下，光照強(qiáng)度越大，光伏電池板的輸出電流越大，其伏安特性曲線向外偏移。 BP網(wǎng)絡(luò)的神經(jīng)元采用的傳遞函數(shù)通常是 Sigmoid型可微函數(shù)，所以可以實(shí)現(xiàn)輸入和輸出間的任意非線性映射，這使得它在諸如信號(hào)處理、計(jì)算機(jī)網(wǎng)絡(luò)、過程控制、語音識(shí)別、函數(shù)逼近、模式識(shí)別及數(shù)據(jù)壓縮等領(lǐng)域均取得了成功的應(yīng)用 [7]。 BP網(wǎng)絡(luò)主要用于以下四個(gè)方面 [8]： 1） 函數(shù)逼近：用輸入向量和相應(yīng)的輸出向量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)； 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 17 2） 模式識(shí)別：用一個(gè)待定的輸出向量將它與輸入向量聯(lián)系起來； 3） 分類：把輸入向量所定義的合適方式進(jìn)行分類； 4） 數(shù)據(jù)壓縮：減少輸出向量維數(shù)以便于傳輸或儲(chǔ)存。所以只有當(dāng)希望對網(wǎng)絡(luò)的輸出進(jìn)行限制，如限制在 0和 1之間，那么在輸出層應(yīng)當(dāng)包含 S型函數(shù)，在一般情況下，均是在隱含層采用 S型激活函數(shù)，而輸出層采用線性激活函數(shù) [10]。它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。由于隱含層中沒有直接給出 目標(biāo)矢量，所以利用輸出層的 δ ki進(jìn)行誤差反向傳遞來求出隱含層權(quán)值的變化量 △ w2ki。 TFi 第 i 層的傳遞函數(shù)，缺省值為“ tansig” 。這時(shí)可以選擇下面的解決辦法： 1）通過設(shè)置參數(shù) 的值為 2，或者更大，來減少 trainlm 訓(xùn)練所需的內(nèi)存。所以，一般總希望經(jīng)過初始加權(quán)后的每個(gè)神經(jīng)元的輸入值都接近于零，這樣可以保證每個(gè)神經(jīng)元的權(quán)值都能夠在它們的 S 型激活函數(shù)變化最大之處進(jìn)行調(diào)節(jié)。 BP 網(wǎng)絡(luò)的限制與不足 雖然 BP 算法得到了廣泛的應(yīng)用，但它也存在自身的限制與不足，其主要表現(xiàn)在她的訓(xùn)練過程的不確定上 [10]。一個(gè)訓(xùn)練結(jié)束的 BP 網(wǎng)絡(luò)，當(dāng)給它提供新的記憶模式時(shí)，將使已有的連接權(quán) 打亂，導(dǎo)致已記憶的學(xué)習(xí)模式的信息消失。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 24 如果對訓(xùn)練結(jié)果不滿意的話，通?？刹捎枚鄬泳W(wǎng)絡(luò)和較多的神經(jīng)元，有可能得到更好的結(jié)果。相反，學(xué)習(xí)速率過小又會(huì)使訓(xùn)練時(shí)間過長。被散射的太陽光包括返回宇宙空間的部分和到達(dá)地面的部分，到達(dá)地面的部分太陽光稱為散射太陽輻射。光伏發(fā)電系統(tǒng)通常在上午 6:00和下午 6:00之間產(chǎn)生發(fā)電量 ,因此在并網(wǎng)時(shí)會(huì)對電網(wǎng)產(chǎn)生周期性的不穩(wěn)定影響。因此，本文將光伏發(fā)電功率的歷史數(shù)據(jù)作為預(yù)測模型的輸入量之一 [12]。因此，需要選擇一個(gè)合適 的變量來反映天氣情況劇烈變化時(shí)光伏陣列發(fā)電量的劇烈變化。 圖 （ 日氣象類型 基本為晴天）的日均發(fā)電功率和日平均溫度。因此整個(gè)系統(tǒng)共有 12個(gè)子模型。此外隱層節(jié)點(diǎn)數(shù)太多還會(huì)增加訓(xùn)練時(shí)間。一般來說，波動(dòng)次數(shù)多、幅度變化大的復(fù)雜非線性函數(shù)要求網(wǎng)絡(luò)具有較多的隱層節(jié)點(diǎn)來增強(qiáng)其映射能力。模型建立的流程圖為圖 ： 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 30 圖 模型建立的流程圖 采用 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行光伏陣列發(fā)電量預(yù) 測模型的設(shè)計(jì)，除了輸入變量的選擇外，神經(jīng)網(wǎng)絡(luò)模型的精度還受到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)的預(yù)處理方式、網(wǎng)絡(luò)訓(xùn)練所選擇的訓(xùn)練函數(shù)及其相關(guān)參數(shù)的設(shè)定等諸多細(xì)節(jié)因素的影響，建模過程中需要對這些細(xì)節(jié)加以解決。 圖 某光伏系統(tǒng)日均發(fā)電功率 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 29 圖 某光伏系統(tǒng)日均發(fā)電功率對應(yīng)的日均溫度 季節(jié)對光伏陣列發(fā)電量的影響 同時(shí)，季節(jié)性因素對光伏陣列發(fā)電量影響也是非常清晰的，這種影響源于太陽輻射強(qiáng)度的差異，發(fā)電量曲線隨著輻射強(qiáng)度的變化而變化，季節(jié) 性的發(fā)電量差異是一個(gè)具體表現(xiàn)。但是，天氣預(yù)報(bào)中給出的天氣參數(shù)一般為一些比較模糊的 日氣象類型 描述：如晴天、晴天到多云、陰天、陰天有小雨、小雨轉(zhuǎn)大杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 28 雨等。圖 。本文所用的太陽輻照強(qiáng)度數(shù)據(jù)由杭州電子科技大學(xué)光伏微網(wǎng)實(shí)驗(yàn)室提供。 光伏發(fā)電量隨太陽輻照強(qiáng) 度的波動(dòng)而變化，太陽輻照強(qiáng)度是影響光伏系統(tǒng)輸出功率的主要因素。對那些快速訓(xùn)練算法，默認(rèn)參數(shù)值基本上都是最有效的設(shè)置。在一定的情況下可能是不明智的。而對于人類的大腦來說，新信息的記憶不會(huì)影響已記憶的信息，這就是人類大腦記憶的穩(wěn)定性。這主要是由于學(xué)習(xí)速率太小所造成的。在 MATLAB工具箱中，可采用函數(shù) 初始化隱含層權(quán)值 W1 和 B1[10]。 3）選擇 trainrp，它的訓(xùn)練速度比 trainbfg 慢一些，但是會(huì)更有效地使用內(nèi)存。 BLF BP 網(wǎng)絡(luò)權(quán)值和閾值的學(xué)習(xí)函數(shù)，缺省值為“ learngdm” 。如果前層還有隱含層，沿用上述同樣方法依此類推，一直將輸出誤差 ek一層一層的反推算到第一層為止。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 19 BP算法是由兩部分組成的：信息的正向傳遞與誤差的反向傳播。輸出層第 k 個(gè)節(jié)點(diǎn)的輸入為 : ???qi jijk own 1 （ 12） 實(shí)際網(wǎng)絡(luò)輸出 Ok為 : )( kk nfO ? （ 13） 式中， f(nk)為激勵(lì)函數(shù) : 011)(?? jknk enf ??? （ 14） 式中， θ j表示偏置或者閾值，正的 θ j的作用是使激勵(lì)函數(shù)沿水平軸向右移； θ 0的作用是調(diào)節(jié) δ 函數(shù)的形狀 [9]。 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 如圖 ， BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)為 m，輸入變量為 Xi(i=1， 2，?， m)； 隱 層節(jié)點(diǎn)數(shù)為 q； wij(i=1，2，? m； j=l， 2，?， q)是輸入層和隱層節(jié)點(diǎn)之間的連接權(quán)值， wjk (j=1，2，? q； k=1， 2，? L)是隱層和輸出層節(jié)點(diǎn)之間的連接權(quán)值，隱層和輸出層節(jié)點(diǎn)的輸入是前一層節(jié)點(diǎn)的輸出的加權(quán)和，每一節(jié)點(diǎn)的激勵(lì)程度由它的激勵(lì)函數(shù)來決定。簡言之，就是由“模式順傳播”→“誤差逆?zhèn)鞑ァ薄坝洃浻?xùn)練”→“學(xué)習(xí)收斂”的過程。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計(jì) 15