《利用气象信息和历史发电量来预测次日光伏发电量的模型毕业论文.doc》由会员分享，可在线阅读，更多相关《利用气象信息和历史发电量来预测次日光伏发电量的模型毕业论文.doc（61页珍藏版）》请在三一办公上搜索。
1、摘要随着社会的不断发展，传统能源的大量消耗使人们在工业发展和日常生活中面临关于不可再生能源耗尽和严重的环境污染等问题。太阳能作为一种优秀的可再生能源而受到世界各国的重视并具有较大发展潜力。随着光伏发电系统容量的不断扩大，准确地预测光伏系统未来几天的发电量对保证电网的稳定运行和大规模光伏发电系统的发展有着重要义。而城市建筑屋顶作为城市中利用率较低的部分，如果在闲置的屋顶上均安装太阳能光伏发电系统，对整个城市都将带来许多利益。本文提出了一种利用气象信息和历史发电量来预测次日光伏发电量的模型，整个模型采用非线性映射能力较强的BP神经网络来建立。原始数据由杭州电子科技大学光伏发电微网实验室提供，包括实
2、验平台记录下的历史气象信息和对应当天的光伏发电量。由于原始数据有限，本文采用模块化的思想，先将模型按季节划分为春、夏、秋、冬四个子模型，再将每个季节模型按日气象类型划分为晴天、云天和雨天三个子模型，共计十二个子模型。以2010年10月的发电数据和气象数据为例，输入数据为预测前一日的光伏发电量和预测当日的温度和光照强度，对建立的神经网络进行训练，并对训练好的模型进行了测试、预测及评估。结果表明，预测模型的预测精度较高，对发电量的预测有较好的参考作用。最后结合杭州电子科技大学，查阅下沙校区的建筑物屋顶面积，推广到校园建筑物所有屋顶都安装上太阳能电池板，预测每日总发电量。关键词：光伏发电量预测 气象
3、因子 BP神经网络 模块化 ABSTRACTWith the development of society, large consumption of traditional energy makes people face the problem of non-renewable energy depletion and serious environmental pollution in industrial development and daily life. As a predominant energy,solar energy has been paid attention to
4、 and will be a potential one new energy.With the increase of the capacity of PV system, forecast the generating capacity of PV systems in the next few days accurately has an important meaning to ensure the stable operation of electric grid and large-scale development of PV system. And the roof of ci
5、tys construction is unemployed. if the PV system are installed on these idle roof, it will bring much benefits to the city. This paper presents a prediction of the PV system model using the historical meteorological information and historical generation, BP neural network which has the ability of no
6、nlinear mapping is used to establish the model. The original data is provided by photovoltaic micro-grid Laboratory of Hangzhou Dianzi University, which includes the historical meteorological information and the corresponding amount of the photovoltaic power generation. Because the original data is
7、limited, this paper modularize the project .According to the fact of the season ,the first model is divided into four sub-models which are named spring, summer, autumn and winter , and then divided each season into three sub-models named sunny day, cloudy day and the rainy day, these twelve sub mode
8、ls combines the project. Take the point data and meteorological data of October, 2010 as an example, the PV power generations which were measured on the day before the prediction and the temperature and the amount of PV power generations which were measured on the predicted day are the input data ,
9、the ANN will be trained, and the trained model will be tested and predicted, also the prediction will be estimated. The results show that the model has a high prediction accuracy, It has a good reference to the calculation of power generation. Finally, according to Hangzhou Dianzi University, find t
10、he data of the roof area of Xiasha campuss 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 network modularity 目 录1.绪论11.1课题研究背景及意义11.2 光伏发电系统发电量
11、预测方法综述21.2.1 原理预测法21.2.2 统计预测方法21.2.3 智能预测方法31.2.4 不确定理论预测方法51.3 国内外光伏发电量预测的研究动态61.4 本文主要内容及章节安排72.光伏发电系统概要92.1 太阳能电池发电原理92.2 光伏发电系统的组成102.3太阳能电池随环境变化的输出特性113.BP神经网络基本原理133.1 BP神经网络的结构143.2 BP神经网络的学习算法153.3 BP神经网络的设计173.4 BP网络的限制与不足184.基于BP神经网络的光伏发电量预测模型设计204.1影响光伏发电量的环境因素204.1.1 辐照强度对光伏系统发电功率的影响204
12、.1.2 日气象类型对光伏系统发电功率的影响214.1.3 温度对光伏系统发电功率的影响234.1.4 季节对光伏阵列发电量的影响234.2 预测模型设计244.2.1 输入层节点的确定254.2.2 隐含层节点的确定254.2.3 输出层节点的确定264.2.4 预测模型的训练与评估264.3 预测结果分析284.3.1 晴天模型预测结果分析284.3.2 云天模型预测结果分析314.3.3 雨天模型预测结果分析344.3.4 预测分析总结364.4 结合杭州电子科技大学全校实际可利用建筑楼屋顶面积进行评估375.结论39致谢40参考文献41附录431.绪论1.1课题研究背景及意义随着现代化
13、工业的飞速发展，环境污染和全球能源危机问题日益突出。传统的能源燃料资源正随着工业发展的需求逐天减少，寻求一种清洁可再生能源迫在眉睫。丰富的太阳辐射能量作为人们身边可利用的重要能源，是取之不尽、用之不竭的，而且廉价、无污染。据预测，太阳能光伏发电在21世纪会在世界能源消费中占据重要的席位，不但要替代部分常规能源，而且也将成为世界能源供应的主体。为了保证电力系统经济、安全和可靠性运行，光伏发电预测显得越来的越迫切。然而,光伏系统的功率输出受不同天气状况的影响,具有不确定性和周期性等特点。准确预测光伏系统输出功率对于保证电网的稳定性和推动大规模光伏系统的发展具有重要的意义。在这一背景下，城市屋顶作为
14、城市中利用率较低的部分，可以通过安装光伏发电装置对闲置的屋顶进行充分利用，以创造更多的经济效益和更好的社会效益。但城市屋顶光伏发电的预测模型尚没有得到很好的解决。若能对不同气候、不同天气状态下每日的光伏发电量能进行较准确地预测，对整个光伏产业的普及，对国家带来的经济效益，对环境的保护都有十分重要的作用。尤其是短期光伏发电预测预报，对于系统运行和生产费用具有非常重大的影响。 大规模光伏发电是一种有效利用太阳能的方式，但光伏发电系统受光照强度和环境温度等气候因素影响很大，然而气候因素是不稳定的，因此并网后功率变化具有不确定性，光伏系统输出功率的扰动有可能影响电网的稳定，会使电力系统的规划和运行与过
15、去相比有更大的不确定性。因此，需要对光伏系统的发电功率进行准确预测，以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题，这样有助于整个电力系统的规划和运行，从而减少光伏发电随机性对电力系统的影响，提高系统的安全稳定性。城市屋顶是城市土地资源规划中利用率较低的一部分，通过在城市高楼的屋顶安装光伏发电系统来有效利用建筑物屋顶和幕墙，具有以下优点：1） 无需占用宝贵的土地资源，有效提高城市土地面积利用率；2） 可在原地发电、用电，在一定距离范围内可节省电站送电网的投资，为城市和个人带来一定的经济效益；3） 能有效地减少建筑能耗，实现建筑节能；光伏组件安装在建筑的屋顶
16、及幕墙的南立面上直接吸收太阳能，建筑集成光伏发电系统不仅提供了电力，而且还降低了墙面及屋顶的温升；4） 光伏屋顶对环境污染小，并且能够减排大量原本因火力发电而产生的CO2等温室气体，大规模发展光伏发电可缓解全球变暖。1.2 光伏发电系统发电量预测方法综述经过长期的学习和研究，国内外现有的光伏发电量预测模型包括原理预测模型、统计预测模型、智能预测模型和基于不确定理论的预测模型等1。1.2.1 原理预测法原理预测法针对太阳能发电过程中在光电转换环节和逆变环节存在能量损失的现象，建立经验公式和经验系数，预测光伏发电量，此方法的原理和计算都非常简单，预测效果主要取决于光电转换效率模型、逆变效率模型和辐
17、射预报的准确性。光伏组件输出瞬时功率(直流)为: （1） 式中，P(t)为极板输出功率(W);A为极板面积(m2 );G(t)为斜面辐射(W/m2 );S为光电转换效率，见表1表1 考虑不同要素的光电转换效率模型模型公式说明常系数效率模型S由电池厂商提供，和效率与材料有关单一负温度系数效率模型为温度系数，与材料有关;TC为当前温度温度和太阳总辐射的两要素模型a1，a2，a3为经验参数，由最小二乘法确定;G为太阳总辐射量温度、辐射、大气质量三要素模型P，q，m，r，s，u为经验参数，通过实际工况测试得到;AM为大气质量;G0，T0，AM0取标准值光伏系统直流发电量Edc为: （2）式中，t1,t
18、2为日出、日没时间。光伏系统交流发电量Eac为: （3）式中，为逆变器转换效率。原理预测法不适合对建筑集成光伏系统进行预测。1.2.2 统计预测方法(1) 回归分析法回归预测法把光伏发电历史数据作为自变量，光伏发电量预测值作为因变量，将二者的关系量化成为相关系数，建立回归方程，完成预测。光伏发电系统中辐射量和温度对光伏组件输出功率影响最大，建立多元线性回归模型。光伏阵列最大输出功率为: （4）式中，KTP为使出功率与温度间的关系权值; UOC，ISC，FF 分别表示电池的开路电压、短路电流和填充因子，均可由辐射强度、温度和其它已知参数表示。式(4)可化简为回归方程一般形式: （5）式中，预报因
19、子xi为关于温度和辐射强度的未知数，方程待定系数(a1，a2，am) 由历史数据经最小二乘法估算得到。多元线性回归具有模型简单、运算速度快的优点，但对天气因素(晴天、阴天、下雨等)的变化拟合不好，为提高预测精度，可建立不同天气类型下的线性回归方程。根据对全年逐时、全年逐日、季节逐日、典型月逐日多元线性预报方程预测结果的分析，回归分析法在季节逐日预测时具有最好的预测精度。(2) 时间序列分析法时间序列分析法就是将光伏发电量历史数据按时间顺序排列成时变的统计序列，建立随时间变化的变化模型，并将模型外推进行预测。时间序列的自回归滑动平均模型(ARMA)是系统对过去自身状态和系统噪声的记忆。由(6)式
20、可见，时间序列在某时刻的值可以用p个历史观测值的线性组合加上一个噪声序列的q项滑动平均来表示，简记为ARMA(p,q)。 （6） 未来发电量时间序列值Xt是发电量误差t和先前发电量序列Xti的线性组合。( a1，a2，ap) 为自回归系数，( b1，b2，b q) 为移动平均系数。光伏发电量时间序列存在非平稳部分，只有将其转化为均值为零的平稳随机序列才能用于预测。ARMA 模型一般用于短期预测，影响发电量的因素不发生突变时预测效果较好。对不同天气类型可以分别构建预测方程，以提高预测精。时间序列法、回归分析法计算量小，速度快，但难以反映负荷与气象等变量之间动态、非线性的关系，对复杂多变的光伏发电
21、系统预测效果较差。1.2.3 智能预测方法(1) 神经网络1987 年Lapeds 和Farber 首先将人工神经网络应用到预测领域。 预测时首先要选取输入、输出变量的历史数据对神经网络进行训练，确定合适的连接权系数和阈值，实现对历史数据的拟合，再由新输入数据对发电功率进行预测。在神经网络模型的输入节点中增加影响发电量的气象因素可增加神经网络模型预测的准确性。 三层BP 神经网络结构如图1.1所示图1.1 神经网络结构图除输入节点的选择外，神经网络的结构、样本的选取及数据的处理方法等因素也对预测结果的精度有很大影响。除反向传播(back propagation，BP)神经网络外，前馈神经网络、
22、径向基函数神经网络和递归神经网络也可用于预测光伏发电功率。目前出现了一些改进型的神经网络预测模型。神经网络误差修正模型应用马尔可夫方法建立误差状态转移矩阵，对BP神经网络预测结果进行修正。双神经网络的预测模型应用自组织特征映射模型( Self-organizing map，SOM)，根据云量预报信息对气象类型聚类识别，再根据识别的天气类型选用相应的BP 神经网络进行预测，克服了BP神经网络无法应对天气突变的缺点。引入可变学习率和增加动量项的BP神经网络，可提高网络收敛速度。采用混沌自适应粒子群优化算法初始化神经网络权值和阈值的算法，可提高神经网络的泛化能力、收敛速度和预测精度。(2) 支持向量
23、机1995 年Vapnik提出支持向量机(supportvector machine，SVM)方法，在统计学习理论的基础上首次提出一种处理非线性分类和回归问题的新颖的机器学习方法。SVM将低维样本空间高度非线性的光伏发电过程映射到高维的特征空间，将非线性问题转化为凸二次规划问题。支持向量机原理图如图1.2 所示。图1.2 支持向量机原理图SVM 具有充分精度高、收敛速度快、能够找到全局最优解的特点。当SVM处理数据量过大时，冗余信息的存在会使SVM的训练时间延长，运算速度变慢。采用恰当的数据挖掘方法可以解决这一问题。基于SVM和自然正交分解(Empirical orthogonal funct
24、ion，EOF)的预报方式，首先对影响太阳辐射量的多种影响因子和预报量进行EOF场展开提取主分量，应用SVM方法对多种影响因子主分量对预报量主分量的预测，将预报分量主分量与对应的空间函数反演，得出预报量。基于相似日的SVM算法，采用相似日的历史发电数据和天气数据作为模型的训练样本，提高模型的预测速度和精度。神经网络具有很强的鲁棒性、记忆能力、非线性映射能力及强大的自学习能力，但气象因素和特殊环境条件的知识表达困难，难以充分利用人的经验知识，且收敛速度慢和可能收敛到局部最小点。支持向量机中的“黑箱”虽然考虑了非发电因素对光伏发电量的影响，但无法准确掌握非发电因素对发电影响程度，更无法在气象预测有
25、误差时，如何根据分析结果对发电预测结果进行准确修正。1.2.4 不确定理论预测方法(1) 灰色模型灰色理论是探索小数据样本、非确定性的理论之一。灰色理论运用灰数来建立灰色模型(Grey Model)。x(1)的灰色预测GM(1,1)模型为: （7） x(1)由原始非负样本序列x(0)进行一次累加生成，参数a，u可由最小二乘法求解，式(7)通解为: （8） 实际预测为: （9） GM(1,1)模型预测值解为指数曲线，预测的特征图像是具有严格递变规律的指数曲线，虽然光伏系统日发电量大致呈指数性递变，但光伏发电量受多因素影响，各时刻发电量有一定波动。预测模型受原始数据影响，对这种随机性、波动性较大的
26、数据序列拟合效果不好，单一使用灰色预测GM(1,1)模型难以达到预测精度。(2) 马尔科夫链1907年马尔科夫提出马尔科夫链理论，适用于具有无后效性的离散型随机过程，适合描述随机波动性较大的问题。设在第n时刻随机变量的状态为si转移到第n+1时刻的状态为sj，则从n时刻到n+1时刻的转移概率表示为P(xn+1=sj|xn=si)，简记为Pij,见(10)式。转移概率的集合构成了转移概率矩阵。 （10） 利用概率转移矩阵和初始分布就可以得到马尔科夫链预测模型： （11） 马尔科夫链直接预测光伏发电量也可对预测误差进行残差修正，提高预测精度。应用马尔科夫链的直接预测法，将一天所有的状态统计到一个概
27、率转移矩阵内进行，误差较大。若将研究时间段分为多个时间单位并建立相应的转移矩阵，可提高预测精度。改进灰色-马尔科夫链预测方法在灰色预测的基础上，应用马尔科夫链法预测误差的变化趋势，修正预测值，提高了精度。(3) 粗糙集理论粗糙集理论是由波兰学者Z.Pawlak提出研究各种不精确、不一致、不完整信息问题的数学理论和方法。粗糙集理论可从历史发电数据中发现隐含的规律，挖掘出核心影响因素。粗糙集把研究对象抽象成一个信息系统，用决策表DT = (U,CD,V,f ) 来表示，其中U为论域；CD称为条件属性集，D称为决策属性集；V是信息函数f的值域；f表示决策表的信息函数。基于Pawlak属性重要度的决策
28、表属性约简算法可删除决策表中的冗余属性，找出影响发电量的关键影响因素，完成光伏发电量预测。 灰色预测结果依赖于原始数据的精确程度，由于模型只是利用了历史资料，一般只适用于短期和中期发电量预测，而不适用于长期发电量预测。当马尔科夫链采用的大量样本时，将光伏发电量细分为若干等级，则理论概率与样本计算的转移概率间的差异逐渐变小，应分别对不同时期统计转移概率，预测时处于可以采用某时期的转移概率。当转移矩阵的阶数较高时，转移概率渐渐接近于极限概率，预测价值不大，不宜采用。粗糙集模型提出属性约简方法，对光伏发电影响因素进行约简，选择出对发电影响较大的因素，剔除不相关的或者相关性较小的属性降低了无关属性淹没
29、相关属性的可能性，可减少输入影响因素的输入，减少预测误差。1.3 国内外光伏发电量预测的研究动态 目前，国外光伏发电量预报技术研究已有一定的发展，如德国、瑞士、西班牙、日本等国已展开利用气象预报对光伏电站发电量进行预测的研究和应用。德国Oldenburg大学Lorenz等根据欧洲中尺度天气预报中心(ECMWF)提供的未来3天太阳总辐射预报数据，结合德国境内11个光伏电站观测资料来预报光伏发电量，经校验，在2007年4月和7月，光伏发电量预报的相对均方根误差分别为39%和22%。西班牙Joen大学Almonacid等采用神经网络方法，以实测的光伏组件板温、入射太阳总辐射为输入值，对应条件下实测I
30、/V曲线为目标函数，利用反向传播算法L-M优化方法，训练多层传感器(MLP)，求解出逼近实际工况的I/V曲线, 建立了光伏发电量与太阳总辐射、板温之间的函数关系。以Joen大学19.08 kW的光伏电站为例，经校验，2003年发电量预报值与实测数据的历史相关系数高达0.998。日本NTT Facilities公司Kudo等根据历史天气资料和日本爱知县世博园区330kW光伏系统发电量数据，进行多元回归分析，建立预报方程，预测未来一天05:00-19:00的逐时发电量，并利用“预报实测临近订正”的方案，降低天气预报失误对于发电量预报准确性的影响。经校验，2005年3月25日至9月26日，日均发电量
31、预报误差为25.6%，时均预报误差为30.53%。 国内光伏发电量预报技术尚处于研发阶段。华北电力大学栗然等结合光伏组件数学模型和保定地区气象资料，模拟了30MW光伏电站发电量数据，利用支持向量机回归分析方法，进行发电量预测。但该方法无实际光伏电站的实况发电量资料，缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学在全国较早收集并网光伏电站资料，自2005年起开始对18 kW太阳能光伏电站记录的直流输出功率、交流输出功率以及发电量等大量时间分辨率为5 min的资料进行收集。华中科技大学陈昌松等结合这些历史发电量数据和同期气象数据（日最高气温、日天气类型）分析，利用神经网络方法，
32、建立了基于逐日天气预报信息的光伏发电量预测模型。该方法将天气情况按日天气类型晴天/云天/雨天划分，对次日转折天气发电量预报误差有明显改善，但对一天内天气类型剧烈变化的情况则无法满足逐时预报的要求2。 2010年6月26日,由国家电网电力科学研究院（下称国网电科院）研发的光伏发电功率的预测系统在国网电科院实验中心大楼完成了安装和调试，并开始实验运行，为今后深入地研究光伏发电系统预测技术及开发实用型的产品积累了宝贵的实践经验。 光伏系统功率预测技术在发达国家中也处于探索和研究阶段，目前，还没有公认成熟的产品和技术。国网电科院针对多组件的联合光伏电站建立了预测模型，并且具有功能较完备的应用软件平台。
33、研制出的光伏系统功率预测系统包括：实时气象数据的采集系统，超短期的功率预测，短期功率的预测，以及应用平台等。光伏系统功率预测采用精细化的数值天气预报并结合实时的气象数据，通过自主研发的功率预测模型，实现了光伏电站短期及超短期的功率预测，为大规模光伏电站的并网接入、调度决策提供预测分析和决策支持3。1.4 本文主要内容及章节安排本文第一章主要叙述了本课题的研究背景及意义、关于光伏发电量预测的国内外动态并简要介绍了关于其预测的不同方法。第二章 开始将介绍光伏发电系统的原理和组成以及光伏电池的特性，讨论了光伏系统发电功率的特性。第三章 将介绍BP（反向传播）神经网络的结构，详细阐述BP神经网络算法的
34、概念，介绍在MATLAB中建立BP网络的步骤，对预测模型进行网络训练和测试的方法。第四章将介绍运用BP算法对光伏发电量预测的详细步骤，包括分析影响光伏发电量的因素及相关气象因子的选取，网络输入层节点、隐含层节点及输出层节点点的确定，建立模型的步骤并设计模型。将建立的网络在在MATLAB中的实现并对预测模型的预测结果进行分析，结合杭州电子科技大学校园平面图，预测当楼顶面积均安装上光伏发电系统后总发电量。第五章为本文的总结，对所建立模型进行最终评价，提出所选方案的不足之处以及现阶段对本设计的优化方法，强调光伏发电功率预测的重要性。2.光伏发电系统概要 光伏发电系统是利用太阳能电池直接将太阳能转换成
35、电能的发电系统。其特点是可靠性高、使用寿命长、不污染环境、能独立发电又能并网运行，受到各国企业组织的青睐，具有广阔的发展前景，支持其实现“光能转换成电能”功能的主要部件为太阳能电池。 2.1 太阳能电池发电原理光伏电池是以半导体P-N结上接受光照产生光生伏特效应为基础, 直接将光能转换成电能的能量转换器。光伏电池的表面被一层半导体薄片覆盖，以硅半导体为例，当P型硅与N型硅结合时，N型区电子将扩散到P型区，P型区空穴会扩散到N型区，P型将带负电，N型将带正电，于是硅半导体内部就产生了电场（建立内电场）。当光照射到半导体光伏器件上时,在器件内产生电子-空穴对, 在半导体内部P-N结附近生成的载流子
36、没有被复合而能够到达空间电荷区, 受内建电场吸引, 电子流入N区, 空穴流入P区, 结果使N区储存了过剩的电子, P区有过剩的空穴。它们在P-N 结附近形成与内建电场方向相反的光生电场。光生电场除了部分抵消势垒电场的作用外, 还使P区带正电, N区带负电, 在N区和P区之间的薄层就产生电动势, 这就是光生伏特效应4。其发电原理见图2.1(a-c)5: (a) 太阳能半导体晶片 (b) 晶片受光后空穴和电子移动 (c) 晶片受光后电流输出方向图2.1 光伏发电原理过程2.2 光伏发电系统的组成太阳能光伏发电系统如图2.2所示,由太阳能电池组、太阳能控制器、蓄电池（组）和太阳跟踪控制系统组成。如输
37、出电源为交流220V或 110V，还需要配置逆变器。2.2.1 太阳能电池板太阳能电池板是太阳能发电系统的核心部分，也是太阳能发电系统中价值最高的部分。其作用是将太阳辐射能量转换为电能，或推动负载工作，或送往蓄电池组中存储起来。2.2.2 太阳能控制器 太阳能控制器的作用是控制整个系统的工作状态，并对蓄电池起到过充电保护、过放电保护的作用。在温差较大的地方，合格的控制器还应具备温度补偿的功能。其他附加功能如光控开关、时控开关都应当是控制器的可选项。2.2.3 蓄电池（组）蓄电池用于存储光伏电池组件所产生的电能,当光照不足或者负载大于光伏组件所发电量的时候,释放存储的电能来满足负载需求,是太阳能
38、系统的储能部件。太阳能发电系统对蓄电池组的基本要求为:使用寿命长;自放电率低;充电效率高;深放电能力强;工作温度范围宽;少维护或免维护;低廉的价格。2.2.4 逆变器逆变器是将直流电转化为交流电的设备。光伏电池和蓄电池发出的都是直流电,当负载需要交流电时,逆变器就是必不可少的。图2.2 光伏发电系统结构图 太阳能供电系统的基本原理就是:在太阳光照射下,将光伏电池组件所产生的电能由控制器控制,给蓄电池充电,或者在满足负载需求时直接供电给负载；若日照不足时,则控制器控制蓄电池供电给直流负载；对于包含交流负载的太阳能发电系统,还需要逆变器,用于将直流电转化为交流电3。2.3太阳能电池随环境变化的输出
39、特性由于光伏电池的输出受外界环境如温度和光照强度的影响,光伏输出具有明显的非线性，图2.3是在光照强度为l000W/m2条件,不同环境温度光伏电池的伏安特性和伏瓦特性曲线。图2.4为电池温度为25,不同光照强度下的光伏电池的伏安特性和伏瓦特性曲线5。图2.3 光照强度相同时，不同环境温度光伏电池的伏安特性和伏瓦特性曲线 图2.3(a)随着温度的升高，开路电压逐渐降低，短路电流逐渐增加。图2.3(b)随着温度的升高，最大功率点逐渐降低。图2.4 相同环境温度下，不同光照强度对光伏电池伏安特性和伏瓦特性曲线 图2.4(a)为在一定的温度条件下，光照强度越大，光伏电池板的输出电流越大，其伏安特性曲线
40、向外偏移。图2.4(b)为在一定的温度条件下，光照强度越高，系统的最大功率点也越大。3.BP神经网络基本原理BP(Back Propagation Neural Network)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，其主要思想是将网络学习分为正向传播输出和反向传播调整的过程，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之前各层逐渐进行的，网络权值沿着性能函数的梯度反向调整6。BP神经网络是目前应用最为广泛和成功的神经网络之一。据统计，80%90%的神经网络模型采用BP网络或者它的变化形式。它也是前向网络的核心部分，体现了人工神经网络的精华
41、。BP网络是Rumellhart等在1986年提出来的，是一种多层网络的“逆推”学习算法。BP网络的神经元采用的传递函数通常是Sigmoid型可微函数，所以可以实现输入和输出间的任意非线性映射，这使得它在诸如信号处理、计算机网络、过程控制、语音识别、函数逼近、模式识别及数据压缩等领域均取得了成功的应用7。BP网络的学习由4个过程组成，即输入模式由输入层经中间层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之差的误差信号由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极小
42、值的“学习收敛”过程。简言之，就是由“模式顺传播”“误差逆传播”“记忆训练”“学习收敛”的过程。BP网络学习规则有时也称为广义规则。BP神经网络具有以下特点6：1） 能够以任意精度逼近任何非线性映射，实现对复杂系统建模。2） 可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联接值而改变预测效果。3） 分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性（神经网络的抗干扰能力）。4） 多输入、多输出的模型结构，适合处理复杂问题。BP网络主要用于以下四个方面8：1） 函数逼近：用输入向量和相应的输出向量训练一个网络逼近一个函数；2） 模式识别：用一个待定的输
43、出向量将它与输入向量联系起来；3） 分类：把输入向量所定义的合适方式进行分类；4） 数据压缩：减少输出向量维数以便于传输或储存。 由于本文研究的光伏阵列所具有的非线性特性，所以将BP神经网络应用于光伏阵列发电量预测问题中。3.1 BP神经网络的结构如图3.1所示，BP神经网络是一种单向传播的多层前向网络，输入层节点为m，输入变量为Xi(i=1，2，m)；隐层节点数为q；wij(i=1，2，m；j=l，2，q)是输入层和隐层节点之间的连接权值，wjk (j=1，2，q；k=1，2，L)是隐层和输出层节点之间的连接权值，隐层和输出层节点的输入是前一层节点的输出的加权和，每一节点的激励程度由它的激励
44、函数来决定。每一个神经元用一个节点表示，网络由输入层、隐层和输出层节点组成。隐节点一般采用Sigmoid型函数（对数S型激活函数logsig( ),双曲正切型S型激活函数tansig( )，输入和输出节点可以采用Sigmoid型函数或者线性函数（purelin( )）。由于采用的是BP算法，所以常称为BP神经网络9。因为S型函数具有非线性放大系数性能，它可以把输入从负无穷大到正无穷大的信号变换成-1到1之间输出，对较大的输入信号，放大系数较小；而对较小的输入信号，放大系数则较大，所以采用S型激活函数可以去处理和逼近非线性的输入/输出关系。不过，如果输出层采用S型函数，则输出被限制在一个很小的范围，若采用线性激活函数，则可使网络输出任何值。所以只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含S型函数，在一般情况下，均是在隐含层采用S型激活函数，而输出层采用线性激活函数10。 图3.1 BP神经网络结构图假定用其中的某一固定样本中的输入Xi(i=1，2，m)和输出Ok对网络进行训练。输出层第k 个节点的输入为: （12）实际网络输出Ok为: （13）式中，f(nk)为激励函数:
