matlab的神经网络的光伏发电能力预测模型

目 录
第1章 绪论 1
1.1研究背景 1
1.2研究方法及意义 2
1.2.1光伏发电能力预测的研究方法 2
1.2.2光伏发电能力预测的研究意义 4
1.3国内外研究动态 4
1.4论文主要研究内容 6
第2章 太阳能光伏系统概述 7
2.1光伏电池结构及其工作原理 7
2.2光伏发电系统的组成 8
2.3光伏发电系统的特性 9
2.4光伏系统的特性分析 10
2.5本章小结 12
第3章 人工神经网络工具箱 13
3.1MATLAB简介 13
3.2人工神经网络介绍 13
3.3神经网络工具箱模块介绍 14
3.3.1单层感知器神经网络工具箱 15
3.3.2线性神经网络工具箱 15
3.3.3BP神经网络工具箱 18
3.3.4径向基神经网络工具箱 19
3.4确定选取径向基神经网络进行预测 20
3.5本章小结 21
第4章 基于径向基神经网络的光伏发电能力预测模型 22
4.1设计思路及光伏发电预测流程图 22
4.2数据获取 23
4.3数据处理及模块分析 23
4.4基于径向基神经网络光伏发电能力预测模型设计与训练 25
4.5预测结果及误差分析 27
4.6本章小结 29
第5章 总结与展望 30
5.1总结 30
5.2展望 30
参考文献 32
致谢 34
第1章 绪论
1.1研究背景
太阳能光伏发电产业自从20世纪80年代以后，是世界上增长最快发展最为迅猛的高新技术产业。1839年，法国科学家克雷尔发现，半导体材料的不同位置在光照下能产生电位差。这种现象后来被人们称为“光伏效应”[1]。
20世纪70年代以后，随着世界经济的飞速发展，现代工业也得到了迅猛的发展，人类社会对能源的需求日益增多
 *好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2# 
，特别是化石能源的消耗与日俱增，导致能源短缺，造成能源危机，并且排放的污染物造成了一系列的大气污染问题，化石燃料作为不可再生资源正一天天在减少，在消耗化石能源的同时也引发了温室效应、雾霾、土地荒漠化等环境问题，而全球有数以亿计的人不能得到正常的能源供应。这个时候，人们逐渐将目光投向清洁可再生能源，希望可以通过改变当前的能源结构，解决日益严重的环境问题以及能源危机。在风能，潮汐能等诸多可再生能源之中，太阳能以其独特的特性逐渐成为人们重视的焦点，太阳能每秒钟到达地面的能量高达80万千瓦时，如果能够将到达地球表面的太阳辐射能中较小的部分转化为电能，那么每年能得到的发电量将会是目前世界上耗能的数倍甚至数十倍，太阳能的储量是丰富的，我们可以源源不断从太阳辐射中获取能量，太阳能是人类可以自由利用的无公害的能源[24]。
光伏发电具有分布广、清洁无污染、可靠性高、能独立发电又可以并网运行、供电及建设工期短、无需架设输电线路即可发电等诸多优点，而相比于传统的火力发电，光伏发电无枯竭的危险，不受资源分布的地域限制，而且安全可靠，无噪声污染，无污染排放，绝对干净无公害，对于日益严重的环境问题，光伏发电会令环境问题得到缓解，做到资源的可持续发展[5]。
20世纪90年代之后，各国都加大了对光伏发电的研究，以及其产业的扩张。至2006年，一座座兆瓦级光伏发电站拔地而起。特别是美国、德国和日本光伏发电产业占据着领头羊的位置。美国在1997年就提出了“百万屋顶”的计划，是最早制定发展光伏发电规划的国家。日本光伏产业也是极度发达的，其光伏组件的产量在2003年的时候就占据世界的50%。而德国在法规以及政府的大力扶持下，成为了继日本之后世界上光伏发电发展最为迅速的国家。西方许多发达国家也都斥巨资在光伏发电的技术开发和加快其工业化进程上。
世界光伏组件自1990年后的十五年间，平均每年的增长率约为15%。20世纪90年代后期，光伏组件发展速度更加迅速。经调查表明，2006年后的4年间，在政策以及政府的大力支持下，光伏组件产业发展迅猛，2010年的年销售增加到300亿美金，有了显著的提高[6]。
1.2研究方法及意义
1.2.1光伏发电能力预测的研究方法
光伏发电能力预测大体上有两种方法：一种是考虑太阳辐射强度、风速、温度、出云量等相关因素，由数学等效模型带入相关变量进行计算，间接得对输出功率进行预测；另一种则是不考虑周围的环境因素，直接通过发电历史数据作为输入量，构造预测模型进行预测，例如灰色模型、人工神经网络模型、支持向量机模型等。
间接预测法
通过引入气象学的太阳辐射模型，由气象预报系统实现太阳辐射能的预报，再通过气象部门所提供的云量预报将未来几天分类，通过太阳辐射的预测值进行出力计算，从而实现对光伏发电能力的短期预测。该方法考虑的因素较少，但计算误差比较大[7]。
时间序列法[8]
该方法共提出了四种ARMA的预测方法，通过利用不同时间间隔来查证通过哪一种ARMA的模型，可以从已知的数据信息中了解与光伏发电短期预测系统精确度之间的关系[9]。但时间序列分析适用线性系统的预测，而对于非线性的系统，很难对其参数进行估计，而且有诸多因素能够影响太阳辐射度，并且光伏发电系统是典型的非线性模型。该方法的精确度不高，而且对气象因素的变化并不敏感，对于线性系统应用较多，对于光伏发电系统并不是很合适。
灰色理论法
灰色理论法的预测结果精度与统计数据的离散程度成反比，当统计数据不全面时，该方法可以对未知系统做出判断。灰色理论法能够简单化光伏发电预测的建模，对于统计数据不完整的新建光伏电站比较适合。
马尔科夫链模型
马尔科夫链模型是一种对历史数据的正确性要求很高，对于短期的预测该方法具有较高的精度的运算模型，而且样本数据的集容量越大，其预测结果与实际越为接近，误差越小[10]。但是在设计马尔科夫链模型的时候，不用考虑气象因素等诸多不稳定因素的影响。在一定程度上该模型的预测结果会受到气象因素等因素的影响，而且当该模型的中转矩阵的秩很大时，该模型将无法预测。
粗糙集理论
波兰学者Z.Pawlak提出了粗糙集理论，粗糙集理论是一种数学理论及方法[11]，用来解决不一致、不精确、不完整的信息问题。这一方法可以从历史的发电数据中发现其隐含的运行方式，探索出核心的影响因素。

版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/2940.html