论文基于模糊神经网络的光伏发电系统发电量的预测是关于对不知道怎么写光伏发电论文范文课题研究的大学硕士、相关本科毕业论文光伏发电论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
[摘 要] 光伏系统的输出电量由于受太阳日照量、气候、光伏组件材料等多种因素影响而是一个非线性的变化量,因此对其输出电量的准确预测可以提高光伏系统并网后电网的稳定性及安全性.在模拟实验中,将模拟数据按春、夏、冬三季进行划分从而确定了规则层的节点数为三,进而推导出模糊化层和去模糊化层的节点数,在训练过程中通过梯度下降法来更新模糊神经网络各层的参数,得到一个符合要求的预测网络.将用于测试的数据输入到训练好的神经网络中,用来验证该方法的有效性.
[关键词] 光伏系统；发电量预测；模糊神经网络
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077
[中图分类号] TM615 [文献标识码] A [文章编号] 1673 - 0194（2017）13- 0180- 04
0 引 言
目前光伏发电量预测的方法主要有神经网络法、灰色预测法、多元线性分析法这三种方法,通过对这三种预测模型进行比较,发现多元线性回归和灰色理论虽然方法较为简单,但是预测误差也较大,而神经网络法预测则可以比较准确但是预测过程较为繁杂.在基于神经网络的预测中,多是以传统的BP神经网络为基础模型,在此基础上采用一些新的方法对BP网络加以改进.例如在BP网络的学习过程中采用Fletcher-Reeves共轭梯度算法,可以提高学习率,部分地简化了预测过程,但输入量过多,且预测的局限性较大.
在对比了众多方法的优缺点之后,发现BP神经网络普遍存在中间隐层数难以确定、输入数据量过多,且学习时间过长等劣势.因此本文提出了一种基于模糊神经网络的预测模型,所选取的输入量是和当天的发电量相关程度比较大的当天的平均气温以及当天的总日照量,模糊神经网络的结构是由大量的先验知识而设计出来的.在不影响预测精度的情况下,为了降低整个网络的复杂程度,对整个网络的模糊化层中的隶属度函数及去模糊化层的输出函数都做了适当的变化,解决了传统神经网络收敛速度慢的问题,从而使整个神经网络结构简洁,训练速度较快,且预测精度较高.
1 模糊神经网络
模糊神经网络是在神经网络和模糊系统的基础上发展起来的,在模糊神经网络出现之前,神经网络与模糊系统都已有了多年的研究历史,都有着较完备的理论基础.
模糊神经网络是一种将模糊逻辑推理的知识性结构和神经网络的自学习能力结合起来的一种局部逼近网络,融合弥补了神经网络在数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统.因此,它具有处理不确定信息的模糊推理能力和依据样本数据进行学习的能力.模糊神经网络主要利用神经网络结构来实现模糊推理,从而使神经网络的权值具有在模糊逻辑中推理参数的物理意义.
常见的模糊神经网络有基于Mamdani推理的和基于Takgai-Sugeno推理的这两种模糊神经网络.基于Mamdani推理的模糊神经网络多用于模糊逻辑控制器、模糊逻辑决策系统、模糊逻辑辨识系统等方面；基于Takgai-Sugeno推理的模糊神经网络则是一种非线性模型,宜于表达复杂系统的动态特性.光伏系统的发电量由于受日照量、温度、湿度、材料转换率等多方面因素的影响,因此,光伏系统的输出是一个不稳定的非线性变化的动态工程,所以本文所采用的就是基于Takgai-Sugeno推理的模糊神经网络（简称TS模糊神经网络）.
2 TS模糊神经网络
2.1 TS模糊逻辑
在TS模糊逻辑系统中,模糊规则有着如下的特殊形式：
R（1）：if x1 is F1l,等,if xnis Fnl then
y l等于P0l+P1lx1+等+Pnlxn
3 预测模型的建立
3.1 输入量的确定
光伏电池之所以能发电,是由于当阳光照射到半导体材料的太阳能电池板上时,光能被吸收在太阳能电池内,并且产生电子（-）和空穴（+）,而负价的电子多向n型聚集,正价的空穴多向p型聚集,因此,将太阳能电池的正面和背面接上电极与灯泡等负荷连接,就能产生電流.因此,日照量是影响光伏发电发电量的重要因素之一,所以日照量应作为输入量之一.此外光伏发电的发电量还受温度、湿度、安装角度、材料转换率等众多因素的影响,在这众多因素中,温度对光伏发电量的影响是较大的,因此将温度作为另一个输入量输入到预测模型中.
本文的输入量为日照量与温度组成的一个2×1的列向量,因为本文所预测的是晴天一整日的发电量（单位kW·h/日）,因此,日照量取一整日的日照量（单位kW·h/日）,温度取一整日的平均温度（单位℃）.若输入向量用x表示,一整天的日照量用h表示,温度用t表示,则输入量可表示为下面的形式：
x等于[h,t]T
3.2 TS型模糊神经网络结构与初始参数的确定
本文是针对全年晴天的当天发电量做出预测的,所以按季节划分将全年的数据划分成了春、夏、冬,由于秋天的日照量与温度和春天的接近,所以在本文中并没有单独列出秋季,而是只按春、夏、冬三季的数据来建模预测.
由已有的先验知识,可将数据按照春、夏、冬三季进行划分,所以模糊神经网络的规则层的隐层节点数也就为三,由于规则层已经确定,故可以知道模糊化层与去模糊化层的隐层节点数均为三个,因此可知本文的模糊神经网络的预测模型结构如图2所示.
3.3 TS型模糊神经网络学习算法
设有输入、输出样本为{（xl,dl）,l等于1,2,等,L},在这里L表示训练样本的数量,为输入向量,在本文中表示由当天日照量与当天平均温度组成的一个2×1的列向量.将网络误差E设为：
E等于■（yl-dl）2-||y-d|22
总结:这篇光伏发电论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 光伏发电系统中储能技术的控制方案 【摘 要】我国经济和社会的快速发展，使得能源的消耗量越来越大，随着科学技术的发展和国家对于新能源开发政策的支持，光伏发电被广泛的应用，但是目前在。
2、 基于模糊神经网络ETV复杂故障诊断 摘 要：堆垛机是较复杂的物流装备，其复杂故障呈现出故障原因与征兆之间的模糊关系。文中采用神经模糊系统解决堆垛机复杂故障的诊断问题。结合现场专家。
3、 太阳能光伏发电系统 【摘要】：太阳能资源具有不对环境造成污染、储量丰富、技术趋于成熟等优势，因此对太阳能光伏技术的研究具有重要意义。太阳能作为绿色、可再生能源，在能。
4、 基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别 摘 要：针对当前木材资源紧缺的严重形势，提高木材缺陷检测的准确率显得尤为重要。利用X射线无损检测技术获取木材缺陷的图像，并且通过灰度共生矩阵的。
5、 电液伺服系统神经网络辨识控制器设计 摘要：针对阀控缸电液位置伺服系统非线性建模问题，采用神经网络进行系统模型辨识。采用LM遗传算法对三层BP神经网络的权值和阈值进行修正，通过训练系。
6、 基于模糊RBF神经网络分数阶滑模控制器优化设计 摘 要： 针对神经滑模控制系统中存在的对先验数据依赖性较强的问题，结合RBF神经网络的泛化能力和自学习能力以及模糊推理算法的强适应能力，提出基于。