基于BP神经网络的太阳辐射度预测

《工业控制计算机} 2 0 1 4年第 2 7卷第 6期

基于 B P神经网络的太阳辐射度预测 张景景 (华东交通大学电气与电子工程学院,江西南昌 3 3 0 0 1 3 ) 摘要

太阳辐射预测准确,能够对光伏发电的输出功率做出较为准确的预测,将为电网的运行和控制提供重要参考依据。建立了一种用于预测太阳辐射的 B P神经网络仿真模型,通过利用实际数据对该模型进行训练,实现了对未来太阳辐射的预测。 关键词:太阳能, B P神经网络, M A T L A B Ab s t r a c t

Th e s ol a r r adi a t i o n pr o gn o s t i c a t i o n S pr e ci s en e s s i s ab l e t o ma k e a mor e a c cu r a t e pr ogn o s t i ca t i o n o n t h e o u t pu t p ower o f Ph o t o v ol t ai c po we r gen e r a t i on an d i t wi l pr l o vi de a n i mpo r t an t r e f er e n ce f o r ope r at i o n a n d c on t r o l o f t he gr i d Thi s pap er cr e at es a me t h o d o f BP n eu r a l n et wo r k s i mu l a t i o n mode l t o pr e di ct s ol ar r adi a t i o n, b y u s i n g a c t u a l da t a t o t r ai n t h e m o de1 . i mpl e me n t a t i on o f f u t ur e s o l a r r adi a t i on f or ec as t s Ke y wor ds: s ol ar, BPNeu r al Ne t wor k s. MATL AB

目前,光伏发电( P V )要广泛的应用仍然存在一些难题,尤 其是在大规模的光电并网时对电网的安全稳定、运行调度等诸多方面都会有一定影响。并网型光伏发电对电网稳定性的一个主要威胁是光照强度随 E l照、天气、季节、温度等自然因素变化

同时也是网络结构复杂化。通过对不同的层数以及相同层数的不同神经元数

的预测结果进行比较分析,这里确定出一个比较合适的隐层结构。在这里,分别选取单隐层和双隐层来进行分析。其神经网络结构见图 1。 1 . 3传递函数的选择

引起的光伏发电输出功率不稳定,导致光伏发电接人系统后电 压稳定裕度多变且难以预测。为了能够减小或者消除这种波动 对电力系统的影响,对太阳辐射的预测是很必要的,它也是对发电功率预测的重要基础。

B P网络属于多层网络,其神经元常用的传递函数包括 I o g - s i g mo i d型函数 I o g s i g、 t a n— s i g mo i d型函数 t a n s i g,以及

线性函数 p u r e l i n。 1 . 4样本数据的预处理由于一天 2 4小时中,有一半的时间辐照度为零,而另一半

1 太阳辐射预测的 B P神经网络模型 1 . 1预测模型的输入和输出

在太阳辐射的预测中,以往的历史数据作为参考,但是单纯 的数理统计无法找到这些数据中内在的非线性关系,神经网络这种数学模型非常适合处理非线性问题,而其中应用最广泛的 一

时间中有可能出现较大的值,所以为了保证数据为同一数量级, 首先要对神经网络的输人数据和输出数据进行预处理,将所有 数据归一化到[ 0 . 1, 0 . 9]范围内,所用公式为( 1 )。 y= O . 7+— Xm 一x n

种就是 B P神经网络。

一 x( 0 9— 0 7 )

( 1 )

在建立模型时所用数据为内华达州拉斯维加斯大学 2 0 0 6

年 6月到 2 0 1 0年 5月的 1 4 6 2天的辐射数据,该数据详细的记录了每一天中每小时的太阳辐照度 (单位: V v/ m。 )。模型的原理 是利用前 2 4小时的数据来预测下一小时的辐照度。即网络的输入为前 2 4小时的辐照度,而网络的输出为所预测的下一小时的辐照度。输入层的节点数一般等于训练样本矢量的维数,故输入层和输出层的神经元个数分别为 2 4和 1。 1 - 2隐层的确定

式中: X为待归一化原始数据; X n 1 和x 为原始数据中最

小值和最大值; Y为归一化

以后的新值。 1 . 5预测模型的训练

对神经网络进行输入,数据向隐层传播,最终到达输出层,

构成输出数据,并与实际值进行比较,并根据两者的误差对神经网络中的各神经元的权重值和阈值进行修正;然后再输入下一 组数据,再根据误差对权重值和阈值进行修正,如此反复直到输

根据经验公式选择最佳神经元数: n =、/而

+/其中, m为

出值与实际值的误差达到预先的设定值,结束训练。 1 . 6预测模型的评估指标本文中采用了以下两个指标对神经网络预测模型评估: 均方根误差: r——————————一

输出神经元个数, n为输入神经元个数, l为[ 1, 1 O]之间的常数。

具有偏差和至少一个隐层加上一个线性输入层的网络,能够逼近任意有理函数。增加层数可以进一步降低误差,提高精度,但

R M s E= 1 ∑(一 )。 平均绝对百分比误差: PE=

( 2 )

主 专 x 7∞% ‘

( 3 )

式中, n为数据总数; Y f为辐照度预测值; Y 为辐照度真实

值; i为数据序号。 2网络仿真

2 . 1训练集与测试集的选择 输入层隐层 1 隐层2 输出层

将整个数据样本分成了一个输入矩阵 P和一个期望的输出 矩阵 t, P与 t的列数相同, P的每一个列向量为 2 4个值, t的每

图 1用于预测的 B P神经网络模型

基于BP神经网络的太阳辐射度预测

你可能喜欢

  • 太阳辐射测量仪器
  • 太阳辐射度计算公式
  • 太阳辐射的计算
  • 太阳辐射测量方法仪器
  • 太阳辐射
  • 太阳辐射对地球的影响

基于BP神经网络的太阳辐射度预测相关文档

最新文档

返回顶部