基于经验模态分解的神经网络光伏发电预测方法研究

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (7174 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要光伏发电作为电力生产的重要环节,其发电量预测已被视为电力系统规划和运行的重要组成部分。由于短期光伏发电的随机性、复杂性和易受外界因素干扰的特点,很难做出准确的分析和预测。本文提出了一种基于经验模态分解的神经网络短期光伏发电量预测的方法,利用光伏电站所给的相似日的历史发电数据和天气情况作为输入参数进行训练所建立的模型来预测次日的发电量。该方法适用于光伏发电量预测,能有效减小误差,具有一定的参考价值。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙祥晟
	陈芳芳
	贾鉴
	陈浩
	胡康飞

关键词 ：光伏发电, 相关因素, 经验模态, BP神经网络, 发电量预测

Abstract：As an important part of power production, photovoltaic power generation forecasting has been regarded as an important part of power system planning and operation. Because of the randomness, complexity and susceptibility to external interference of short-term photovoltaic power generation, it is difficult to make accurate analysis and prediction. In this paper, a short-term photovoltaic power generation prediction method based on empirical mode decomposition is proposed. The model is established by training the historical data and weather conditions of similar days given by photovoltaic power plants as input parameters to predict the next day's power generation. This method is suitable for photovoltaic power generation forecasting and can effectively reduce the error, which has a certain reference value.

Key words： photovoltaic power generation related factors empirical mode decomposition (EMD) BP neural network power generation forecast

收稿日期: 2018-12-20 出版日期: 2019-08-19

作者简介: 孙祥晟（1995-）,男,河北沧州人,硕士研究生在读,研究方向为电力系统短期负荷预测。

引用本文:

孙祥晟, 陈芳芳, 贾鉴, 陈浩, 胡康飞. 基于经验模态分解的神经网络光伏发电预测方法研究[J]. 电气技术, 2019, 20(8): 54-58. Sun Xiangsheng, Chen Fangfang, Jia Jian, Chen Hao, Hu Kangfei. Neural network based photovoltaic power generation prediction method based on empirical mode decomposition. Electrical Engineering, 2019, 20(8): 54-58.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2019/V20/I8/54

[1] 欧阳昌裕. 我国新能源发电发展研究报告[N]. 中国电力报, 2012-03-13(002).
[2] 王雨, 苏适, 严玉廷. 基于Kalman滤波和BP神经网络的光伏超短期功率预测模型[J]. 电气技术, 2014, 15(1): 42-46.
[3] 王思睿, 薛云灿, 李彬, 等. 基于BP神经网络的光伏发电预测模型设计[J]. 微处理机, 2016, 37(2): 82-85.
[4] 陆源, 张兆云. 光伏发电系统仿真研究[J]. 电气技术, 2013, 14(8): 1-6, 15.
[5] 迟晨. 光伏发电系统的RBF神经网络预测研究[J]. 电子技术与软件工程, 2018(3): 191.
[6] 李安寿, 陈琦, 王子才, 等. 光伏发电系统功率预测方法综述[J]. 电气传动, 2016, 46(6): 93-96.
[7] 李天云, 赵妍, 季小慧, 等. HHT方法在电力系统故障信号分析中的应用[J]. 电工技术学报, 2005, 20(6): 87-91.
[8] 何敏. 基于Hilbert-Huang变换获得睡眠脑电信号特征[J]. 电脑知识与技术, 2015, 11(20): 161-163.
[9] 杨茂, 陈郁林. 基于EMD分解和集对分析的风电功率实时预测[J]. 电工技术学报, 2016, 31(21): 86-93.
[10] 苗晟, 王威廉, 姚绍文. Hilbert-Huang变换发展历程及其应用[J]. 电子测量与仪器学报, 2014, 28(8): 812-818.
[11] 王守相, 王亚旻, 刘岩, 等. 基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测[J]. 电力自动化设备, 2014, 34(8): 7-12.
[12] 陈明. Matlab神经网络原理与实例讲解[M]. 北京: 清华大学出版社, 2013.
[13] 周政. BP神经网络的发展现状综述[J]. 山西电子技术, 2008(2): 90-92.
[14] 孙帆, 施学勤. 基于Matlab的BP神经网络设计[J]. 计算机与数字工程, 2007, 35(8): 124-126.
[15] 孙文韬. 反向传播神经网络的原理研究及优化方法[J]. 中国科技博览, 2011(32): 511-512.
[16] 于群. 基于EEMD和BP神经网络的短期光伏功率预测模型[D]. 沈阳: 沈阳农业大学, 2017.