鞠 平，劉婧孜，秦 川，李洪宇，楊宏宇，封 波，屈衛(wèi)鋒

(1.河海大學(xué)能源與電氣學(xué)院，江蘇 南京 210098； 2.國網(wǎng)連云港供電公司，江蘇 連云港 222000；3.國網(wǎng)灌南縣供電公司，江蘇 連云港 223500)

近年來，隨著一次能源的大量消耗及環(huán)境污染等問題的出現(xiàn)，光伏發(fā)電等可再生能源發(fā)電得到了快速發(fā)展。據(jù)統(tǒng)計，截至2018年底，我國光伏發(fā)電裝機(jī)達(dá)到1.74億kW，2018年全年光伏發(fā)電量達(dá)1 775億kW·h[1]。光伏發(fā)電是一種典型的間歇式電源，其發(fā)電功率受氣象、環(huán)境條件等的影響具有較強(qiáng)的隨機(jī)性和波動性。光伏發(fā)電滲透率的不斷提高對電網(wǎng)安全穩(wěn)定運(yùn)行的影響日益增強(qiáng)。建立準(zhǔn)確的光伏發(fā)電功率模型并掌握其功率特性對電網(wǎng)和光伏電站自身的安全穩(wěn)定運(yùn)行具有重要意義[2]，常用的功率建模方法按模型描述方式分為機(jī)理和非機(jī)理[3]。機(jī)理方法基于輻照傳遞方程、光伏組件運(yùn)行方程等通過系統(tǒng)內(nèi)部工作過程的物理關(guān)系建立數(shù)學(xué)模型，非機(jī)理模型基于模型輸入、輸出因素間的統(tǒng)計規(guī)律建模[4-5]。常用的非機(jī)理模型包括傳遞函數(shù)(差分方程)模型、人工神經(jīng)網(wǎng)絡(luò)智能方法等[3, 6]。

人工神經(jīng)網(wǎng)絡(luò)因其具有高準(zhǔn)確度和自學(xué)習(xí)的優(yōu)勢，所以在擬合系統(tǒng)的非線性輸入輸出關(guān)系特性時具有明顯的優(yōu)越性。Liu等[7]以待預(yù)測日與歷史相似日的氣溫、濕度、風(fēng)速及氣溶膠濃度為輸入，以待預(yù)測日有光照時段每小時輸出功率平均值為輸出，基于BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對未來24 h光伏輸出功率的多步預(yù)測。劉衛(wèi)亮等[8]以PM濃度、溫度、空氣相對濕度等氣象數(shù)據(jù)為輸入，分別利用BP神經(jīng)網(wǎng)絡(luò)與SVM方法建立大氣氣溶膠光學(xué)厚度估計模型，基于精細(xì)天氣預(yù)報信息和PM濃度的預(yù)測，實(shí)現(xiàn)對光伏發(fā)電超短期功率的預(yù)測。同樣，基于BP神經(jīng)網(wǎng)絡(luò)，由歐式距離法確定天氣類型，再結(jié)合光伏電站的歷史出力數(shù)據(jù)將影響因素映射為天氣類型指數(shù)，從而建立了計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測模型[9]。 張程熠等[10]通過簡化神經(jīng)網(wǎng)絡(luò)，降低輸入輸出維數(shù)，設(shè)計適用于小樣本的雙層神經(jīng)網(wǎng)絡(luò)單步光伏預(yù)測方法?？梢姡谌斯ど窠?jīng)網(wǎng)絡(luò)的光伏輸出功率研究十分普遍[11]，大都集中于光伏輸出功率的預(yù)測，但復(fù)現(xiàn)難度較大。而采用神經(jīng)網(wǎng)絡(luò)建立復(fù)雜氣象因素與光伏輸出功率間單純關(guān)系的研究不多見，且對于建立的非機(jī)理模型精度的提升和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置的優(yōu)化等問題，仍待進(jìn)一步研究。

本文基于人工神經(jīng)網(wǎng)絡(luò)，以輻照、溫度等氣象因素為輸入變量，光伏電站的輸出功率為輸出變量，建立光伏電站的氣象-功率非機(jī)理模型。著重研究了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、不同氣象因素的組合作為輸入對模型輸出準(zhǔn)確度的影響，明確了功率模型的理想網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)。最后基于實(shí)際光伏電站的量測數(shù)據(jù)，對提出的光伏電站氣象-功率模型進(jìn)行了對比驗(yàn)證。

1 數(shù) 據(jù) 采 集

由于光伏電池的材質(zhì)特性，光伏電池的輸出特性受氣象因素的影響較大，特別是太陽輻照度和電池溫度[12]，因此對光伏發(fā)電輸出功率進(jìn)行建模時，作為輸入的氣象因素中必須含有輻照度和溫度。本文研究采用的數(shù)據(jù)包括氣象數(shù)據(jù)、光伏電站實(shí)測功率數(shù)據(jù)等。

1.1 氣象數(shù)據(jù)

研究采用的氣象信息來自SolarGIS高分辨率氣候數(shù)據(jù)庫。采樣地點(diǎn)同下文光伏電站處，采樣時期為2017年全年，采樣的時間分辨率為10 min。SolarGIS的數(shù)據(jù)為實(shí)地采樣的平均值，并已成功應(yīng)用于光伏發(fā)電的評估[13]，因此可以基于SolarGIS的氣象數(shù)據(jù)對光伏電站輸出功率建模。采集的數(shù)據(jù)包括水平面總輻照度(global horizontal irradiance, GHI,W/m2)、散射水平輻照度(diffuse horizontal irradiance, DHI,W/m2)、傾斜面總輻照度(global tilted irradiance, GTI,W/m2(傾角31°，方位角180°))、溫度(air temperature, TEMP,℃)、風(fēng)速(wind speed, WS, m/s)和風(fēng)向(Wind direction, WD(°))。

受地理位置的影響，不同經(jīng)緯度下具有不同的最佳太陽入射角[18]，因此為得到最大的光伏輸出功率，光伏面板需要呈現(xiàn)一定的傾斜角。在進(jìn)行光伏輸出特性的相關(guān)研究時，同一地區(qū)可以采用相同的光伏陣列傾斜角[19]。

本文采用的其余氣象數(shù)據(jù)(TEMP、WS和WD)由天氣預(yù)報系統(tǒng)(climate forecast system reanalysis, CFSR)、第二版天氣預(yù)報系統(tǒng)(climate forecast system Version 2, CFSv2)和美國氣象服務(wù)系統(tǒng)(global forecast system, GFS)數(shù)值天氣模型生成，其精度略低于輻照數(shù)據(jù)，全年不確定度分別為溫度±1.3℃、風(fēng)速±1.7 m/s，滿足表征采集點(diǎn)地理區(qū)域內(nèi)氣象特點(diǎn)的精度要求。上述氣象信息均得到NOAA綜合地面數(shù)據(jù)庫的驗(yàn)證。

1.2 光伏電站輸出功率數(shù)據(jù)

研究采用的光伏功率數(shù)據(jù)為某實(shí)際光伏電站連接至上級變電站35 kV側(cè)進(jìn)線的有功功率Preal，數(shù)據(jù)時長為2017年全年，采樣間隔為5 min。功率數(shù)據(jù)取自某地調(diào)的EMS系統(tǒng)歷史數(shù)據(jù)庫，數(shù)據(jù)精度滿足工程要求。

1.3 數(shù)據(jù)預(yù)處理

由上述可知，實(shí)測氣象數(shù)據(jù)為平均采樣值，實(shí)測光伏電站輸出功率為EMS系統(tǒng)實(shí)際量測值。在建模前首先對光伏功率數(shù)據(jù)預(yù)處理，將光伏電站輸出功率采樣的時間分辨率由5 min變?yōu)?0 min，并對功率數(shù)據(jù)進(jìn)行插值處理。預(yù)處理的步驟如下：

a. 將光伏電站輸出功率數(shù)據(jù)與氣象數(shù)據(jù)的采樣時間點(diǎn)進(jìn)行對應(yīng)，確定預(yù)處理后將用于模型訓(xùn)練的數(shù)據(jù)采樣時間點(diǎn)。

b. 選取該采樣時間點(diǎn)及其前后各一個采樣時間點(diǎn)的光伏電站輸出功率數(shù)據(jù)，將3個采樣數(shù)據(jù)加和并求均值。

任意選取某天2 h(例如8:05～10:05)內(nèi)的傾斜面總輻照度與光伏電站輸出功率數(shù)據(jù)，進(jìn)行上述操作，得到預(yù)處理前后的數(shù)據(jù)結(jié)果如圖1所示。由圖1可以看出，對光伏電站輸出功率的預(yù)處理可以描述光伏功率的總體變化特性。

在新聞?wù)Z體中，新聞報道要做到真實(shí)客觀，在修辭表達(dá)時就必須要做到表意準(zhǔn)確嚴(yán)密，在時間、地點(diǎn)、人物、事件等的敘述方面就不能出現(xiàn)硬傷，不許弄虛作假，不許模模糊糊，不許模棱兩可。黎運(yùn)漢、盛永生認(rèn)為，準(zhǔn)確性是新聞?wù)Z體的首要要求和基本特點(diǎn)。要做到表意準(zhǔn)確，就必須在遣詞造句、相關(guān)數(shù)據(jù)的使用、模糊語言的使用、引語的使用等方面下足功夫，做到準(zhǔn)確可靠。[2]179-182例如：

2 光伏電站氣象-功率模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 雙層前饋神經(jīng)網(wǎng)絡(luò)

本文采用的雙層前饋神經(jīng)網(wǎng)絡(luò)是基于sigmoid隱含層神經(jīng)元和線性輸出神經(jīng)元的網(wǎng)絡(luò)[20]，由輸入層和計算層構(gòu)成，其中計算層包括隱含層和輸出層。該神經(jīng)網(wǎng)絡(luò)在給定一致的數(shù)據(jù)和足夠的隱含層神經(jīng)元后經(jīng)過反復(fù)訓(xùn)練，即可很好地擬合多維映射問題[21]。

適用于雙層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法很多，其中常見的如Levenberg-Marquardt、Bayesian Regularization和Scaled Conjugate Gradient。限于篇幅，詳細(xì)計算過程可參考文獻(xiàn)[22-24] 。

神經(jīng)網(wǎng)絡(luò)輸入層和輸出層節(jié)點(diǎn)數(shù)與網(wǎng)絡(luò)的特征和目標(biāo)的維度匹配，并影響隱含層神經(jīng)元個數(shù)。一般而言，當(dāng)輸入層節(jié)點(diǎn)為m個且各輸入變量不具有關(guān)聯(lián)性時，隱含層節(jié)點(diǎn)為(2m+1)個。但隱含層節(jié)點(diǎn)數(shù)也可由設(shè)計者設(shè)定。雙層前饋神經(jīng)網(wǎng)絡(luò)的擬合原理在2.2節(jié)中結(jié)合實(shí)際數(shù)據(jù)詳細(xì)說明。

神經(jīng)網(wǎng)絡(luò)的估算效果由網(wǎng)絡(luò)的均方根誤差(root-mean-square error,ERMSE)和絕對值均值相對誤差(absolute mean relative error,EAMRE)體現(xiàn)，計算公式分別如式(1)和式(2)所示。2種誤差各自的數(shù)值越小，模型效果越好。

(1)

(2)

2.2 功率模型的基本結(jié)構(gòu)

圖2 基于神經(jīng)網(wǎng)絡(luò)建模的結(jié)構(gòu)Fig.2 Structure chart of model based on two-layer feed-forward neural network

研究借助MATLAB，采用雙層前饋神經(jīng)網(wǎng)絡(luò)建立光伏電站輸出功率與多氣象因素之間的非線性模型，該光伏電站氣象-功率模型的神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖2所示。模型的輸入為各種氣象因素，輸出為光伏電站的輸出功率，網(wǎng)絡(luò)結(jié)構(gòu)為包含一層隱含層的前饋神經(jīng)網(wǎng)絡(luò)。

網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和測試過程如下：

a. 訓(xùn)練：隨機(jī)選取70%的樣本集作為訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)。

b. 驗(yàn)證：在剩余的30%樣本集中隨機(jī)選取1/2的數(shù)據(jù)(總樣本集的15%)作為驗(yàn)證集驗(yàn)證網(wǎng)絡(luò)，當(dāng)驗(yàn)證集的誤差收斂后停止訓(xùn)練，得到此時擬合效果突出的網(wǎng)絡(luò)權(quán)重參數(shù)。

c. 測試：將剩余15%的樣本集作為測試集，以該網(wǎng)絡(luò)測試誤差的形式表現(xiàn)上述確定的網(wǎng)絡(luò)的性能。

在建模過程中，氣象因素輸入組合和網(wǎng)絡(luò)結(jié)構(gòu)的不同會對功率模型的精度產(chǎn)生較大的影響。為了得到準(zhǔn)確的光伏電站氣象-功率模型，下文將對功率模型的輸入特征進(jìn)行選擇，得到效果理想的功率模型。

3 光伏電站氣象-功率模型的輸入特征選擇

實(shí)際環(huán)境中含有豐富的氣象因素，不同氣象因素間會相互作用并且均對光伏電站的輸出功率產(chǎn)生影響。本節(jié)對功率模型的輸入特征進(jìn)行選擇，明確該功率模型理想的輸入變量。在進(jìn)行特征選擇時，網(wǎng)絡(luò)的初始隱含層神經(jīng)元為5個。

3.1 輻照作為神經(jīng)網(wǎng)絡(luò)輸入

通常意義下，輻照是影響光伏電池輸出功率的主要因素，而實(shí)際環(huán)境中存在多種類的輻照，因此首先設(shè)置不同類型的輻照組合作為神經(jīng)網(wǎng)絡(luò)的輸入，對比各組網(wǎng)絡(luò)的準(zhǔn)確度。設(shè)置5組不同類型的輻照作為輸入的對照組分別為：傾斜面總輻照度；水平面總輻照度；散射水平輻照度；水平面總輻照度+散射水平輻照度；傾斜面總輻照度+水平面總輻照度+散射水平輻照度。將5個對照組依次進(jìn)行訓(xùn)練，得到對應(yīng)神經(jīng)網(wǎng)絡(luò)的均方根誤差分別為1.178 6 MW、1.462 7 MW、2.857 6 MW、1.403 7 MW、1.124 4 MW。由此可知：(a)將3種輻照度組合作為神經(jīng)網(wǎng)絡(luò)輸入時，網(wǎng)絡(luò)誤差最小;(b)以傾斜面總輻照度作為輸入時的誤差略大于3種輻照度組合，但明顯小于其他2種輻照度的組合?？梢姡捎诠夥姘宄尸F(xiàn)傾斜狀態(tài)，其吸收最充分的輻照是傾斜面總輻照度，所以傾斜面總輻照度為影響光伏電站輸出功率的最主要?dú)庀笠蛩亍?/p>

①—傾斜面總輻照度+水平面總輻照度+散射水平輻照度；②—傾斜面總輻照度+水平面總輻照度+散射水平輻照度+溫度；③—傾斜面總輻照度+水平面總輻照度+散射水平輻照度+風(fēng)速；④—傾斜面總輻照度+水平面總輻照度+散射水平輻照度+風(fēng)速+風(fēng)向；⑤—溫度+風(fēng)速+風(fēng)向；⑥—傾斜面總輻照度+水平面總輻照度+散射水平輻照度+溫度+風(fēng)速+風(fēng)向圖3 功率模型在6組不同網(wǎng)絡(luò)輸入特征下的均方根誤差Fig.3 RMSE of power models with 6 different input features

3.2 溫度和風(fēng)況作為神經(jīng)網(wǎng)絡(luò)輸入

對比神經(jīng)網(wǎng)絡(luò)輸入中加入溫度和風(fēng)況氣象因素的影響。設(shè)置6組不同輸入的對照組，并依次進(jìn)行訓(xùn)練，得到每組對應(yīng)的神經(jīng)網(wǎng)絡(luò)的均方根誤差，如圖3所示。

從圖3中可以看出：(a)僅以溫度和風(fēng)況作為輸入(組⑤)的誤差最大；(b)由于光伏面板為光敏溫敏材料，而經(jīng)過其表面的風(fēng)況又能影響溫度和輻照。因此，將所有的氣象因素作為功率模型的輸入(組⑥)，誤差最小。

綜上，后續(xù)對光伏電站功率建模研究中，輸入因素設(shè)定為全氣象因素。而如果實(shí)際情況下部分氣象因素未知，可以考慮傾斜面總輻照度與已知?dú)庀笠蛩氐慕M合。

4 光伏電站氣象-功率模型的結(jié)構(gòu)優(yōu)化

4.1 神經(jīng)網(wǎng)絡(luò)的理想訓(xùn)練算法及訓(xùn)練次數(shù)的選擇

不同的網(wǎng)絡(luò)訓(xùn)練算法對功率模型的訓(xùn)練和應(yīng)用也會有影響。雙層前饋神經(jīng)網(wǎng)絡(luò)常見訓(xùn)練算法如Levenberg-Marquardt、Bayesian Regularization和Scaled Conjugate Gradient算法。按照上文選定的神經(jīng)網(wǎng)絡(luò)輸入輸出變量，依次在3種訓(xùn)練算法下進(jìn)行1～40次獨(dú)立訓(xùn)練，統(tǒng)計每種訓(xùn)練算法在完成1～40次訓(xùn)練后的網(wǎng)絡(luò)均方根誤差，如圖4中的散點(diǎn)所示。

圖4 功率模型在不同算法和訓(xùn)練次數(shù)下的均方根誤差分布Fig.4 Scatterplot of RMSE of power model with different training algorithms and training times

由圖4可以看出輸入輸出一致的神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練時結(jié)果誤差存在明顯差異，模型估算結(jié)果的誤差呈現(xiàn)波動狀態(tài)，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的初始權(quán)重為隨機(jī)設(shè)置，導(dǎo)致優(yōu)化的網(wǎng)絡(luò)權(quán)重存在隨機(jī)性。標(biāo)記多次獨(dú)立訓(xùn)練后均方根誤差最小值，如圖4中的實(shí)線所示。

圖5 3種訓(xùn)練算法在不同訓(xùn)練次數(shù)下的最小均方根誤差曲線Fig.5 Curve of minimum RMSE with 3 training algorithms under different training times

圖6 不同隱含層神經(jīng)元的最小均方根誤差分布Fig.6 Scatterplot of minimum RMSE with different hidden layer neurons number

將圖4中3條實(shí)線進(jìn)行對比，如圖5所示?？梢钥闯稣w上基于Scaled Conjugate Gradient算法的均方根誤差最大，Levenberg-Marquardt算法的誤差和Bayesian Regularization算法的誤差接近，但Levenberg-Marquardt算法的誤差波動相對大一點(diǎn)。此外訓(xùn)練過程中發(fā)現(xiàn)Bayesian Regularization算法的訓(xùn)練時間最長，Scaled Conjugate Gradient算法所需的訓(xùn)練時間次之，Levenberg-Marquardt算法的最短。雖然Levenberg-Marquardt算法在經(jīng)過29次訓(xùn)練后可以得到誤差最小的網(wǎng)絡(luò)，對該誤差相比Bayesian Regularization算法20次訓(xùn)練后得到的網(wǎng)絡(luò)誤差(圖5中黑色圓圈處)沒有明顯的提高。同時，基于Bayesian Regularization算法的網(wǎng)絡(luò)在訓(xùn)練次數(shù)達(dá)10次后，波動趨勢趨于穩(wěn)定。

綜上，采用Bayesian Regularization訓(xùn)練算法進(jìn)行20次訓(xùn)練，隨后選擇其中均方根誤差值最小的網(wǎng)絡(luò)可相對理想地擬合該光伏電站輸出功率與氣象因素的關(guān)系模型。

4.2 神經(jīng)網(wǎng)絡(luò)的理想隱含層節(jié)點(diǎn)數(shù)的選擇

隱含層節(jié)點(diǎn)數(shù)設(shè)定過少時，神經(jīng)網(wǎng)絡(luò)不能充分發(fā)揮學(xué)習(xí)能力和擬合能力；隱含層節(jié)點(diǎn)數(shù)設(shè)定過多時，增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程耗時，學(xué)習(xí)過程中容易陷入局部最優(yōu)解?；谏鲜龃_定的雙層前饋神經(jīng)網(wǎng)絡(luò)的輸入變量、訓(xùn)練算法和訓(xùn)練次數(shù)，依次設(shè)置隱含層神經(jīng)元為1～20個訓(xùn)練神經(jīng)網(wǎng)絡(luò)，統(tǒng)計各組的均方根誤差最小值，如圖6所示。各組進(jìn)行20輪訓(xùn)練的耗時如下：隱含層節(jié)點(diǎn)2個,總耗時80 s;隱含層節(jié)點(diǎn)4個,總耗時198 s;隱含層節(jié)點(diǎn)6個,總耗時475 s;隱含層節(jié)點(diǎn)8個,總耗時670 s;隱含層節(jié)點(diǎn)10個,總耗時986 s;隱含層節(jié)點(diǎn)12個,總耗時1 302 s;隱含層節(jié)點(diǎn)14個,總耗時1 885 s;隱含層節(jié)點(diǎn)16個,總耗時2 195 s;隱含層節(jié)點(diǎn)18個,總耗時3 194 s;隱含層節(jié)點(diǎn)20個,總耗時3 239 s。

由圖6可以看出，神經(jīng)網(wǎng)絡(luò)的均方根誤差隨隱含層節(jié)點(diǎn)數(shù)的增加而呈現(xiàn)減小的趨勢，10個隱含層節(jié)點(diǎn)后，波動趨勢趨于穩(wěn)定；神經(jīng)網(wǎng)絡(luò)的總耗時與隱含層節(jié)點(diǎn)數(shù)之間呈現(xiàn)正相關(guān)的關(guān)系；隱含層神經(jīng)元為14個和18個時的神經(jīng)網(wǎng)絡(luò)均方根誤差明顯較小，對比耗時，確定隱含層神經(jīng)元為14個。

綜上，本研究中功率模型的理想網(wǎng)絡(luò)結(jié)構(gòu)為：隱含層神經(jīng)元為14個、采用Bayesian Regularization訓(xùn)練算法進(jìn)行20次訓(xùn)練，隨后選擇其中均方根誤差值最小的神經(jīng)網(wǎng)絡(luò)。

5 模 型 驗(yàn) 證

表1 功率模型的神經(jīng)網(wǎng)絡(luò)誤差Table 1 Errors of power model based on neural network

根據(jù)上文的分析，建立光伏電站氣象-功率模型的理想結(jié)構(gòu)和參數(shù)，下文基于實(shí)際數(shù)據(jù)對該模型進(jìn)行驗(yàn)證。功率模型的平均誤差如表1所示?？梢钥闯?，由于訓(xùn)練集、驗(yàn)證集和測試集的樣本數(shù)不同，三者誤差也略有不同，但均小于1%，可見該光伏電站氣象-功率模型具有良好的精度。

進(jìn)一步在2017全年4個季節(jié)中分別隨機(jī)選取晴天、陰天和多云的一天反映功率模型的估算效果，功率對比曲線如圖7所示，選取的各隨機(jī)天的估算結(jié)果誤差如表2所示。

圖7 基于光伏電站氣象-功率估算模型的仿真結(jié)果對比Fig.7 Comparison of simulation results based on weather-power estimation model of PV plant

表2 基于光伏電站氣象-功率模型的隨機(jī)天誤差Table 2 Errors of testing day based on weather-power estimation model of PV plant

由圖7和表2可以看出：(a)該光伏電站氣象-功率模型的計算結(jié)果與實(shí)際的功率曲線趨勢一致；(b)晴天日的誤差值很小，多云和陰天的估算結(jié)果略差于晴天，但除了春季陰天日誤差達(dá)到9%以外，其余誤差均小于6%。可見，本文所建立的基于雙層前饋神經(jīng)網(wǎng)絡(luò)的光伏電站氣象-功率估算模型可以理想地實(shí)現(xiàn)氣象因素對光伏電站輸出功率的估算。

6 結(jié) 語

基于雙層前饋神經(jīng)網(wǎng)絡(luò)，建立了光伏電站氣象-功率模型并進(jìn)一步改進(jìn)提高了模型的精確度。首先，對功率模型的輸入特征進(jìn)行選擇，明確了對光伏功率影響最大的氣象因素是傾斜面總輻照度;其次為水平面總輻照度,盡管溫度和風(fēng)況對功率估算的影響較小，但較全面的氣象因素輸入可以使神經(jīng)網(wǎng)絡(luò)模型達(dá)到較好的估算效果;再次，通過神經(jīng)網(wǎng)絡(luò)的不同的訓(xùn)練算法、訓(xùn)練次數(shù)及隱含層節(jié)點(diǎn)數(shù)對比，確定了功率模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù);最后，通過實(shí)際光伏電站的量測數(shù)據(jù)，對建立的功率模型進(jìn)行了驗(yàn)證。結(jié)果表明，該光伏電站氣象-功率模型具有良好的精度。