• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于時(shí)頻熵和神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型

      2020-02-25 00:46:48孫志強(qiáng)李東陽
      關(guān)鍵詞:游程晴天分量

      孫志強(qiáng),李東陽

      (中南大學(xué)能源科學(xué)與工程學(xué)院,湖南長沙,410083)

      光伏電站發(fā)電功率與發(fā)電量受太陽輻射強(qiáng)度、溫度等不穩(wěn)定因素的影響會(huì)發(fā)生波動(dòng),且波動(dòng)程度較大,隨機(jī)性強(qiáng),并入電網(wǎng)后容易造成電網(wǎng)電壓不穩(wěn)定、諧波含量增加、調(diào)度管理不便等問題[1-3],為此,電網(wǎng)采取拉閘限電等措施避免光伏電站對電網(wǎng)安全和穩(wěn)定造成的影響,但這不利于清潔能源的發(fā)展,也會(huì)使光伏電站損失收益,因此,有必要對光伏電站發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測,以便為電網(wǎng)合理調(diào)度及時(shí)消峰填谷,保證電網(wǎng)平滑功率輸出。目前,國內(nèi)外研究人員提出許多對光伏電站發(fā)電功率進(jìn)行預(yù)測的方法,如:冉成科等[4]提出一種基于日類型融合理論的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測光伏發(fā)電功率的方法,求出影響光伏發(fā)電的主要5個(gè)因素與發(fā)電功率相關(guān)系數(shù),融合成1個(gè)影響因子作為BP 網(wǎng)絡(luò)輸入;耿博等[5]結(jié)合相似日理論與GA-BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行光功率預(yù)測;NORDIN等[6]使用神經(jīng)網(wǎng)絡(luò),采用不同輸入分別進(jìn)行預(yù)測,找出了與發(fā)電功率相關(guān)系數(shù)最高的影響因素;LORENZ等[7]提出一種改進(jìn)的歐洲中尺度天氣預(yù)報(bào)中心太陽輻射預(yù)測模型,但需依賴準(zhǔn)確的天氣預(yù)報(bào)信息;代倩等[8]將氣溫、濕度等組合表征太陽輻照度,對無太陽輻照度的短期光伏發(fā)電功率進(jìn)行預(yù)測,但預(yù)測精度不高;茆美琴等[9]提出一種EEMD-SVM 光伏短期出力預(yù)測的模型并將天氣分為突變天氣與非突變天氣共2種類型,預(yù)測整點(diǎn)時(shí)刻的光伏發(fā)電功率;姚仲敏等[10]分別采用BP、遺傳算法和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建出晴天、雨天和多天這3種天氣條件下的短期光伏發(fā)電功率預(yù)測模型;于群等[11]將光伏發(fā)電功率歷史數(shù)據(jù)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD),各分量重構(gòu)后作為BP 神經(jīng)網(wǎng)絡(luò)的輸入,提高了預(yù)測精度,但氣象因素只考慮了氣溫且重構(gòu)后的分量,沒有進(jìn)一步分類處理發(fā)揮出其便捷性。本文提出一種基于時(shí)頻熵和神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測方法,選用BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測工具,與時(shí)頻熵、EEMD 處理的發(fā)電功率歷史數(shù)據(jù)和氣象參數(shù)一起構(gòu)建預(yù)測模型。先將光伏電站發(fā)電功率歷史數(shù)據(jù)按晴天、雨天和多云天分類,由EEMD 分解后由游程檢測法重構(gòu)成含有超短期發(fā)電功率規(guī)律的高頻分量和含有短期發(fā)電功率規(guī)律的中頻分量,分別經(jīng)Hilbert變換得到各數(shù)據(jù)點(diǎn)的頻率與幅值,進(jìn)而在時(shí)頻域中構(gòu)建能量譜圖,提取3種天氣條件下的高頻、中頻分量對應(yīng)的時(shí)頻熵,與氣象數(shù)據(jù)輻射強(qiáng)度、溫度、相對濕度和風(fēng)速及由EEMD 解得到的高頻或中頻分量一起作為BP神經(jīng)網(wǎng)絡(luò)的輸入,分別進(jìn)行光伏發(fā)電功率超短期和短期預(yù)測,且由實(shí)例驗(yàn)證此方法的有效性。

      1 光伏發(fā)電功率影響因素

      1.1 不同天氣類型對光伏發(fā)電功率的影響

      分析光伏發(fā)電功率的影響因素對有效進(jìn)行光功率預(yù)測及提高預(yù)測精度有重要意義。光伏電站發(fā)電功率受多種因素的影響,不同天氣條件下發(fā)電量不同,每個(gè)時(shí)刻發(fā)電功率也會(huì)發(fā)生變化。圖1所示為某13 MW 光伏電站在同一季度、不同天氣條件下的發(fā)電功率,時(shí)間從6:30 至17:30。從圖1可看出:晴天發(fā)電功率隨太陽輻射強(qiáng)度的增大或減小而穩(wěn)定變化;雨天發(fā)電量最小,多云天氣發(fā)電功率波動(dòng)最大;不同天氣的發(fā)電功率曲線區(qū)別較大,但在相同天氣條件下發(fā)電功率曲線相似,周期性變化規(guī)律相近。據(jù)此將發(fā)電功率歷史數(shù)據(jù)按晴天、雨天、多云天氣分類后分別對光功率進(jìn)行預(yù)測。

      圖1 不同天氣類型的光伏發(fā)電功率Fig.1 Photovoltaic power generation for different weather types

      1.2 氣象因素對光伏發(fā)電功率的影響

      光伏發(fā)電功率的工程計(jì)算式為[12]

      式中:ηpv為光伏效率;S為光伏電池板總面積;Ir為太陽輻射強(qiáng)度;Tc為光伏電池板溫度。進(jìn)行短期或超短期光功率預(yù)測時(shí),光伏系統(tǒng)發(fā)電功率除了與上述因素有關(guān)外,還與風(fēng)速、相對濕度、環(huán)境溫度及電池板安裝角度等有關(guān)[4],但對于特定電站,電池板安裝角度、光伏系統(tǒng)效率及總面積等電站自身因素是確定的,且對光功率預(yù)測的影響已經(jīng)隱含在歷史發(fā)電功率中,因此,進(jìn)行短期或超短期光功率預(yù)測時(shí),只需考慮溫度、輻射強(qiáng)度、風(fēng)速、相對濕度這幾個(gè)對光伏發(fā)電功率預(yù)測影響較大的氣象因素。光伏發(fā)電功率短期預(yù)測一般指1~2 d 內(nèi)的功率預(yù)測,本文指1 d 內(nèi)的功率預(yù)測;超短期預(yù)測一般指0~4 h 內(nèi)的功率預(yù)測,文中指2 h的功率預(yù)測。

      2 EEMD-Hilbert法提取時(shí)頻熵

      2.1 EEMD數(shù)據(jù)處理

      經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)信號處理方法是根據(jù)信號局部特征,自適應(yīng)地將復(fù)雜的非線性信號按頻率層次逐級分解,形成一系列內(nèi)稟模態(tài)分量(intrinsic mode function,IMF)[13]。EMD 具有自適應(yīng)性、近似正交性及完備性,但當(dāng)信號極值點(diǎn)分布不均勻時(shí),易出現(xiàn)模態(tài)混淆現(xiàn)象[14],為此,WU等[15]提出EMD的改善方法EEMD,即在信號中加入頻率均勻分布的白噪聲,對信號進(jìn)行多次分解、集總平均后,由于噪聲的零均值特性,噪聲將相互抵消,集總均值即為EEMD的結(jié)果。EEMD具體步驟如下[16]。

      1) 在原始信號x(t)中加入服從正態(tài)分布的白噪聲ei(t),加噪后信號為

      式中:ei(t)為第i次加的白噪聲。

      2)用EMD 方法對加噪信號xi(t)進(jìn)行分解,得到n個(gè)IMF分量cj(t)和1個(gè)剩余分量r0(t):

      式中:cj(t)為EEMD分解得到的第j個(gè)IMF分量。

      3)再次加入新的白噪聲,重復(fù)步驟2)。

      4)對所得IMF 分量進(jìn)行集總平均,則原信號的IMF分量ci(t)為

      四是定責(zé)任。黨支部開展主題黨日前3天將活動(dòng)方案(包括時(shí)間地點(diǎn)、活動(dòng)主題、參加人員等)報(bào)上級黨組織備案,提前1天通知到所有黨員,提高黨員參與率和積極性。活動(dòng)后及時(shí)將活動(dòng)情況報(bào)上級黨組織,并對活動(dòng)開展情況及活動(dòng)照片全程留痕紀(jì)實(shí)管理,作為基層黨建考核述職評議的重要內(nèi)容。把黨員參加主題黨日活動(dòng)情況納入黨員積分制管理,作為黨員民主評議、處置不合格黨員和黨員評先評優(yōu)的重要依據(jù)。

      式中:N為加入白噪聲的次數(shù)。

      5)原始信號x(t)分解為

      用EEMD 方法按以上步驟分別處理晴天、雨天、多云天氣條件下的電站發(fā)電功率歷史值,得到一系列頻率由高到低的9個(gè)IMF分量,用游程檢驗(yàn)法將IMF分量重構(gòu)成高、中、低頻共3組分量。

      游程檢驗(yàn)法常用于檢驗(yàn)樣本的隨機(jī)性,而在文中用于檢驗(yàn)由EEMD 分解光伏電站發(fā)電功率歷史數(shù)據(jù)得到的各項(xiàng)IMF 分量游程個(gè)數(shù)和最大游程長度,將其作為IMF 分量重構(gòu)的依據(jù)。假設(shè)每個(gè)IMF分量對應(yīng)的時(shí)間序列為{T(t)}(t=1,2,…,n),平均值為Ta,則時(shí)序符號定義為

      Yi是由0和1組成的總個(gè)數(shù)為n的數(shù)字串,連續(xù)的一段0 或1 都記為1 個(gè)游程,1 個(gè)游程內(nèi)0 或1 的個(gè)數(shù)為游程長度,結(jié)合游程個(gè)數(shù)及最大游程長度可以檢測出數(shù)據(jù)波動(dòng)程度,游程個(gè)數(shù)越大,則最大游程長度越小,表示數(shù)據(jù)波動(dòng)越強(qiáng),頻率越高。將游程數(shù)大于閾值的IMF 分量合并成1 個(gè)高頻分量,顯示出光伏發(fā)電功率的超短期規(guī)律;將游程數(shù)低于閾值但體現(xiàn)出短期周期性的IMF 分量合并成1個(gè)中頻分量,能呈現(xiàn)出光伏發(fā)電功率的短期規(guī)律;剩下的幾個(gè)游程數(shù)更小且周期很大,即最大游程長度很長的分量對數(shù)據(jù)波動(dòng)影響不大,合并為光伏發(fā)電功率的低頻分量,是光伏發(fā)電功率長期趨勢項(xiàng),而長期預(yù)測準(zhǔn)確度太低且對電站意義不大,本文暫不考慮。表1所示為以晴天的發(fā)電功率歷史數(shù)據(jù)為例,分別列出EEMD 分解后的9 個(gè)IMF分量的游程數(shù)及最大游程長度,依據(jù)游程檢測法將其中c1和c2合并為高頻分量,c3,c4和c5合并為中頻分量。

      表1 游程數(shù)及最大游程長度Table 1 Number of runs and the maximum run length

      圖2 不同天氣的光伏發(fā)電功率歷史數(shù)據(jù)EEMD分量Fig.2 EEMD components of photoelectric power historical values in different weathers

      圖2所示為晴天、雨天和多云天的光伏發(fā)電功率歷史數(shù)據(jù)經(jīng)EEMD 分解后根據(jù)游程檢測法取的前5個(gè)IMF分量,第1行x(t)是發(fā)電功率原始數(shù)據(jù)。與晴天一樣,雨天和多云天也由EEMD分解出的c1和c2分量重構(gòu)成高頻分量,再經(jīng)Hilbert 變換后提取時(shí)頻熵用于超短期功率預(yù)測;c3,c4和c5分量疊加重構(gòu)成中頻分量提取時(shí)頻熵用于短期功率預(yù)測。

      2.2 Hilbert變換提取時(shí)頻熵

      由Hilbert 變換可以求信號的瞬時(shí)頻率,平穩(wěn)信號的頻率是定值,但對于不平穩(wěn)信號,如由EEMD 分解光伏電站發(fā)電功率歷史數(shù)據(jù)得到的各項(xiàng)IMF分量cj(t),頻率是關(guān)于時(shí)間的函數(shù),用對應(yīng)時(shí)間點(diǎn)上信號的瞬時(shí)頻率表征信號特性[17],對IMF分量cj(t)進(jìn)行Hilbert變換的步驟如下。

      1) 對每個(gè)分解得到的IMF 分量進(jìn)行Hilbert變換:

      2)解析信號zj(t)如下:

      3)得到幅值函數(shù)aj(t)及相位函數(shù)φj(t);

      4)求出信號瞬時(shí)頻率:

      5)得到的瞬時(shí)頻率與幅值(能量)呈現(xiàn)在時(shí)頻域中就是能量分布圖即Hilbert譜:

      將晴天、雨天和多云天氣的光伏發(fā)電功率歷史數(shù)據(jù)由EEMD 分解后得到的高頻分量與中頻分量分別進(jìn)行Hilbert 變換,求解出各發(fā)電功率歷史數(shù)據(jù)記錄點(diǎn)的瞬時(shí)頻率與幅值。各點(diǎn)的頻率及幅值變化情況呈現(xiàn)在時(shí)頻域中的能量譜圖即Hilbert譜如圖3所示。各Hilbert譜圖的差異主要體現(xiàn)在不同頻率下能量的集中性及幅值上,圖3(a),(c)和(e)所示分別為晴天、雨天和多云天的高頻分量,與對應(yīng)中頻分量的Hilbert譜圖3(b),(d)和(f)相比,能量明顯更加分散,且雨天能量最低,3種天氣條件下的中頻分量都集中在約0.1 Hz 的較低頻區(qū)域,其中晴天能量最集中、強(qiáng)度高且波動(dòng)穩(wěn)定,雨天與多云天能量分布形式及范圍與晴天的相似,但輻射強(qiáng)度不穩(wěn)定等導(dǎo)致圖3(d)和(f)中能量分布波動(dòng)較大,但多云天能量較雨天更高。針對各Hilbert譜圖的差異性,可將其進(jìn)行能量塊劃分,提取含有數(shù)據(jù)時(shí)頻信息的特征參數(shù)時(shí)頻熵[18]作為功率預(yù)測模型的輸入,高頻分量提取的時(shí)頻熵作為超短期功率預(yù)測模型的輸入,中頻分量提取的時(shí)頻熵作為短期功率預(yù)測模型的輸入,輔助進(jìn)行不同天氣條件下短期與超短期的功率預(yù)測。時(shí)頻熵計(jì)算式為

      設(shè)整個(gè)時(shí)頻譜平面的能量為W,將其均分成N塊,每塊平面上的能量為ki,則

      按式(13)計(jì)算各Hilbert 譜的時(shí)頻熵,結(jié)果見表2。

      3 預(yù)測模型構(gòu)建及結(jié)果分析

      3.1 BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測模型

      RUMELHANT 等[19]于1986年 提 出BP 神 經(jīng) 網(wǎng)絡(luò),目前廣泛應(yīng)用于風(fēng)力發(fā)電功率預(yù)測及光伏發(fā)電功率預(yù)測領(lǐng)域,故采用BP神經(jīng)網(wǎng)絡(luò)作為驗(yàn)證此方法的預(yù)測工具,構(gòu)建出基于時(shí)頻熵和BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型。BP 神經(jīng)網(wǎng)絡(luò)是一種單向傳播的前饋神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層組成,網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)由要預(yù)測的數(shù)據(jù)點(diǎn)個(gè)數(shù)決定。隱含層可以是1個(gè)或多個(gè),為簡化計(jì)算設(shè)置為1個(gè),其節(jié)點(diǎn)個(gè)數(shù)與輸入和輸出層節(jié)點(diǎn)個(gè)數(shù)相關(guān),計(jì)算隱含層最佳節(jié)點(diǎn)個(gè)數(shù)常用公式有以下幾種:

      表2 時(shí)頻熵統(tǒng)計(jì)Table 2 Time-frequency entropy statistics

      圖3 不同天氣光伏發(fā)電功率歷史數(shù)據(jù)高頻與中頻分量Hilbert譜圖Fig.3 High-frequency and intermediate-frequency component Hilbert spectrums of historical values of photovoltaic power generation in different weathers

      式中:l為隱含層節(jié)點(diǎn)數(shù);n為輸入層節(jié)點(diǎn)數(shù);m為輸出層節(jié)點(diǎn)數(shù);C為調(diào)節(jié)常數(shù),取值為1~10??捎霉酱_定范圍再由試湊法選出使預(yù)測誤差最小的節(jié)點(diǎn)數(shù)。

      圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of BP neural network

      采用湖北13 MW 光伏電站2017-09-25—2017-11-05 共45 d 的氣象數(shù)據(jù)及發(fā)電功率(晴天15 d,雨天15 d,多云12 d),另3 d 為復(fù)雜天氣情況,不予考慮),構(gòu)建2 個(gè)預(yù)測模型,分別進(jìn)行晴天、雨天和多云天氣下短期和超短期光伏發(fā)電功率預(yù)測。以晴天為例,采集每天7:45至16:45的發(fā)電功率,每15 min 記錄1 次,1 d 共37 個(gè)數(shù)據(jù)點(diǎn),15 d 總共555 個(gè)數(shù)據(jù)點(diǎn),將其按3.1 節(jié)的步驟進(jìn)行EEMD 分解,得到高頻分量與中頻分量。進(jìn)行短期功率預(yù)測時(shí),BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入層節(jié)點(diǎn)共42 個(gè),其中第1~37 個(gè)是EEMD 分解得到的中頻分量某相似日內(nèi)7:45至16:45的37個(gè)數(shù)據(jù)點(diǎn),第38~41 個(gè)是預(yù)測日氣象條件(溫度、輻射強(qiáng)度、風(fēng)速和相對濕度),第42 個(gè)是表2中對應(yīng)時(shí)頻熵的均值,如晴天短期預(yù)測的均值取6.25,BP 神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)37個(gè),為預(yù)測日當(dāng)天7:45至16:45的37個(gè)發(fā)電功率數(shù)據(jù)點(diǎn);隱含層采用單層,節(jié)點(diǎn)數(shù)根據(jù)式(16)至(18)取15~40,經(jīng)多次試湊選取使預(yù)測均方根誤差最小值25,則短期預(yù)測模型結(jié)構(gòu)為42-25-37。進(jìn)行超短期功率預(yù)測時(shí),BP 神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)為13,節(jié)點(diǎn)1~8 的輸入是EEMD 分解得到的高頻分量相似日某2 h 內(nèi)的8 個(gè)數(shù)據(jù)點(diǎn),節(jié)點(diǎn)9~12的輸入為氣象數(shù)據(jù),節(jié)點(diǎn)13的輸入為表2中對應(yīng)晴天超短期時(shí)頻熵。輸出層采用8個(gè)節(jié)點(diǎn)是為了預(yù)測某2 h 內(nèi)的發(fā)電功率,隱含層節(jié)點(diǎn)為5 時(shí)預(yù)測的均方根誤差最小,則超短期預(yù)測模型結(jié)構(gòu)為13-5-8,BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型其他參數(shù)設(shè)置見表3。圖5所示為時(shí)頻熵和BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測模型的預(yù)測流程圖。

      3.2 預(yù)測結(jié)果分析

      圖5 光伏發(fā)電功率預(yù)測流程Fig.5 Flow chart of photovoltaic power generation prediction

      表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table 3 BP neural network parameter setting

      圖6 短期光伏發(fā)電功率預(yù)測驗(yàn)證Fig.6 Forecast verification of short-term photovoltaic power

      設(shè)置BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型后分別對晴天、雨天和多云天的短期和超短期光伏發(fā)電功率進(jìn)行預(yù)測,從3 種天氣類型中分別隨機(jī)挑選1 d 來驗(yàn)證短期和超短期功率預(yù)測性能,其余數(shù)據(jù)按3:1分為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。圖6所示為采用2017-10-30(晴天)、2017-10-04(雨天)、2017-10-22(多云天)進(jìn)行光伏發(fā)電功率短期預(yù)測驗(yàn)證的情況,圖中直接預(yù)測曲線是僅使用氣象數(shù)據(jù)的預(yù)測結(jié)果,作為文中加入時(shí)頻熵和EEMD 分解后的分量進(jìn)行預(yù)測的對比項(xiàng),能明顯看出用文中預(yù)測方法得出的預(yù)測曲線與實(shí)際值曲線更加吻合,預(yù)測效果更好。超短期預(yù)測時(shí)間為2 h,共8個(gè)預(yù)測點(diǎn),圖7所示為采用2017-10-26(晴天)、2017-09-26日(雨天)、2017-10-02(多云)隨機(jī)挑選不同時(shí)間段的2 h進(jìn)行光伏發(fā)電功率超短期預(yù)測驗(yàn)證的情況。

      圖7 超短期光伏發(fā)電功率預(yù)測驗(yàn)證Fig.7 Forecast verification of ultra-short-term photovoltaic power generation

      表4 不同天氣情況下短期與超短期光伏發(fā)電功率預(yù)測誤差Table 4 Errors of shirt-term and ultra-short-term photovoltaic power generation forcasts in different weathers

      檢驗(yàn)預(yù)測模型的優(yōu)劣需要進(jìn)行誤差分析,常用均方根誤差s計(jì)算預(yù)測誤差及相關(guān)系數(shù)R2計(jì)算預(yù)測精度,R2越接近于1,表明預(yù)測的準(zhǔn)確率越高。s與R2的計(jì)算公式分別為:

      式中:m(i)為光伏發(fā)電功率實(shí)際值;k(i)為光伏發(fā)電功率預(yù)測值。將圖5與圖6中預(yù)測曲線的誤差按式(19)和(20)計(jì)算后進(jìn)行統(tǒng)計(jì),結(jié)果見表4。采用時(shí)頻熵和BP 神經(jīng)網(wǎng)絡(luò)對3 種天氣短期與超短期發(fā)電功率進(jìn)行預(yù)測,其均方根誤差均比直接預(yù)測的小,預(yù)測準(zhǔn)確率均相對更高。對比3 種天氣情況,晴天預(yù)測準(zhǔn)確率最高,短期與超短期的預(yù)測準(zhǔn)確率都達(dá)到99%,因?yàn)榕c雨天和多云的發(fā)電功率歷史值相比,晴天的規(guī)律性最強(qiáng),波動(dòng)最平穩(wěn),雨天與多云天發(fā)電功率在1 d 內(nèi)波動(dòng)大,變化不平穩(wěn),影響了預(yù)測準(zhǔn)確率。

      4 結(jié)論

      1)提出一種基于EEMD-Hilbert 變換提取光伏發(fā)電功率歷史數(shù)據(jù)時(shí)頻熵,與EEMD 分解后的高頻或中頻分量結(jié)合進(jìn)行光伏發(fā)電功率預(yù)測的新方法。用此方法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)短期和超短期光伏發(fā)電功率預(yù)測,得到較好的預(yù)測結(jié)果,得到的預(yù)測曲線能預(yù)知光伏電站發(fā)電功率,為電網(wǎng)合理分配電能、消峰填谷提供參考。

      2)用此方法對晴天、雨天和多云天的光伏發(fā)電功率進(jìn)行預(yù)測,超短期預(yù)測準(zhǔn)確率分別為0.996,0.984 和0.991,短期預(yù)測準(zhǔn)確率分別為0.995,0.944和0.931,均高于由氣象數(shù)據(jù)直接預(yù)測的超短期準(zhǔn)確率(0.987,0.967和0.964)、短期預(yù)測準(zhǔn)確率(0.986,0.931和0.926)。

      3) 雨天和多云天發(fā)電功率較晴天波動(dòng)更大,短期預(yù)測準(zhǔn)確率較晴天低很多,但超短期預(yù)測準(zhǔn)確率相差不大,即它們的超短期預(yù)測準(zhǔn)確率比短期預(yù)測準(zhǔn)確率增加幅度遠(yuǎn)比晴天的大,預(yù)測準(zhǔn)確率越高越有利于電網(wǎng)合理調(diào)度,提高光伏發(fā)電系統(tǒng)并網(wǎng)的優(yōu)越性,故當(dāng)雨天和多云天預(yù)測準(zhǔn)確率不滿足需要時(shí),可適當(dāng)縮短預(yù)測時(shí)間,以提高預(yù)測準(zhǔn)確率。

      猜你喜歡
      游程晴天分量
      基于劃分組參考數(shù)的差值編碼壓縮方法
      它若安好,便是晴天
      帽子的分量
      中國羽毛球組合鄭思維/黃雅瓊連續(xù)得失分規(guī)律研究
      一起來寫“雪”
      一物千斤
      智族GQ(2019年9期)2019-10-28 08:16:21
      改進(jìn)型相對游程長度編碼方法
      論《哈姆雷特》中良心的分量
      晴天有時(shí)下豬
      分量
      惠安县| 板桥市| 榕江县| 陇南市| 东莞市| 柳江县| 呼图壁县| 桐庐县| 子长县| 互助| 井陉县| 白朗县| 石泉县| 综艺| 阿勒泰市| 宁城县| 香河县| 容城县| 屏边| 乳源| 巢湖市| 田林县| 荆门市| 塔河县| 黎城县| 凌云县| 南安市| 临夏市| 肇州县| 西藏| 册亨县| 汤阴县| 敖汉旗| 南昌市| 博客| 彰武县| 黄山市| 吴堡县| 内乡县| 沙雅县| 吉安市|