基于小波分解和智能神经网络的太阳能光伏短期功率预测-陈世杰

基于小波分解和智能神经网络的太 阳能光伏短期功率预测 主讲人陈世杰 单位上海电力学院太阳能研究所 目录 1 问题的提出 2 小波变换和智能神经网络的描述 3 数据的处理和变量的选择 4 模型的仿真和预测 4.1 模型 1 4.2 模型 2 5 模型的分析与评价 问题的由来和解决方案  问题的由来光伏输出功率在中午之前呈现上 升趋势，并且在中午之后呈现下降趋势。如果不采 用降低光伏输出功率非平稳特性的有效方法，常规 功率预测方法不能保证预测结果的精度，甚至不能 保证方法的收敛性。  解决方案小波分析方法可以有效地从原始信 号中提取非线性和非平稳特征。它们适用于分析具 有明显间歇性和非静态特性的可再生能源的波动。  因此，为了解决光伏输出功率的周期性和非平 稳性问题，提出了一种基于 WD和 ANN的混合建模方 法，实现了良好的算法收敛和预测结果。 小波变换和智能网络的描述  太阳能光伏发电功率数据系列包含各种波动， 尖峰和不同类型的非平稳性，可以将 WT视为用于隔 离这些峰值。因此，使用 WT的太阳能 PV功率预测可 用于改善 PV功率预测误差。  在太阳能光伏发电预测应用中， NN的主要功能 是预测光伏发电下一个半小时，一小时或一天。 NNs经过训练，可以克服 NN的局限性，解决复杂问 题的各种传统方法 。 数据的处理和因素的选择  太阳能电池组件中的半 导体组成的太阳能电池 通过光伏效应将太阳辐 射转化为电能。光伏发 电量主要取决于太阳辐 射量。另外，其他天气 参数，包括大气温度， 模块温度，温度，风速 和风向以及湿度被认为 是估计 PV功率输出的潜 在参数。 0 5 10 15 20 25 0 200 400 600 800 光照强度 P V 功率 小时数 光照强度 某一天光照强度和功率的关系图 0 100 200 300 400 500 600 700 功率 图 1.光照强度和 PV功率关系 模型的数据描述 本文提出一种结合小波分 解和 NN的混合预测方法， 用来预测光伏发电系统未 来 24 h 的输出功率。本 文所用数据取自光伏电站 数据库，包括太阳辐照量 R（ Wh/m2）、温度 T （ ℃ ）、和光伏电站输出 功率 P（ kW），采样频率 为 1h。时间范围为 2013年 9 月 1号到 9月 29号，记录每 天 24小时的瞬时功率值， 环境温度、在特定倾斜角 下的光照强度。 模型 .小波分解 模型 1.流程  步骤 1太阳能 PV功率数据时间序列（ PVt， PVt-12， PVt-20）通过 WT分解为四个分量，分解为 近似信号（即 A3）和细节系数（即 D1， D2， D3）。  步骤 2在该步骤中，将来自步骤 1的单独分解 信号馈送到 NN。他细节系数信号遵循类似的训练程 序。该步骤 2还涉及将其他输入参数（例如 Rt， Rt- 12， Rt-20， Tt， Tt-12， Tt-20）考虑到 NN中。  步骤 3经过分解的近似（ A3）和细节（ D1， D2和 D3）信号的预测值经过 WT重建过程。最后，在 小波重建之后获得的每小时太阳能 PV功率预测。 图 .2013年 9月 26-29的功率预测 0 20 40 60 80 100 -200 -100 0 100 200 300 400 500 600 700 预测功率 实际功率 小时数 预测功率 2013年9月26-29号的功率预测图 -100 0 100 200 300 400 500 600 700 实际功率 模型 2.流程  步骤 1 NN网络的输入参数是当前小时 t和前一 天（ t-24）的 PV功率和 SR的数据，即， PVt， PVt- 24， SRt， SRt-24。 PV数据序列通过 WT分解为四个 分量逼近信号 A3和细节系数 D1， D2， D3。  步骤 2然后将分解的 PV信号（ A3， D1， D2和 D3） 与 SR数据一起送到 NN网络。为了训练 NN网络，使用 在预测日之前的过去 25天的输入数据。  步骤 3然后从 NN网络获得分解的近似信号和细 节信号的预测值。最后，在小波重建之后获得期望 的 PV功率输出预测。 图 .2013年 9月 26-29号功率预测 0 20 40 60 80 100 0 100 200 300 400 500 600 预测功率 实际功率 小时数 预测功率 2013年9月26-29号功率预测图 -100 0 100 200 300 400 500 600 700 实际功率 参照物模型  模型 3输入变量 PV功率数据时间序列（ PVt， PVt-12， PVt-20），光照强度（ Rt， Rt-12， Rt- 20），环境温度（ Tt， Tt-12， Tt-20）直接进行 NN网络预测，神经元数目和训练数据等参数与模 型 1保持一致，从而进行参照对比。  模型 4输入变量 PV功率数据时间序列（ PVt， PVt-24），光照强度（ Rt， Rt-24）直接进行 NN网 络预测，神经元数目和训练数据等参数与模型 2一 致，从而进行参照对比。 模型的分析和评价 0 20 40 60 80 100 -200 0 200 400 600 800 光伏功率 小时数 实际功率 模型1 模型2 模型3 模型4 光伏预测模型对比图 图 8.光伏预测模型对比 模型评价结果分析 结论分析 1.总体来看，模型 2的结果是最 好的； 2.单从 MESE均误差对比来看， 通过小波变换后进行预测的模型 1,2都远远小于模型 3,4。小波分 解可以有效的提取功率的特征， 减少误差，提高预测精度。 3.单从 MAE平均绝对误差 来看，模型 4和模型 2的 MAE远小于模型 1,3，主 要是因为变量选择不一样 所导致的。 4.模型 2,4只选择光照强度， 模型预测从而提高，可见 选择最合适的变量对提高 预测精度具有巨大意义。