基于Elman反馈递归模型的光伏发电功率预测不良数据处理,该文是光伏发电硕士论文范文与光伏发电和递归和数据处理方面论文怎么写.
光伏发电论文参考文献：
【摘 要】 目前我国正处于大力发展可再生能源的阶段,尤以光伏发电系统为例,其建设规模及安装容量不断扩大.然而光伏发电系统输出功率的不确定性会对电网造成一定的影响,为减轻其对电网系统的损害,需要进行准确的光伏出力预测,这就对光伏发电的历史数据的完整性与准确性提出了更高的要求.本文结合历史发电量数据,通过对以往数据中的不良数据进行识别及剔除,并利用大量的数据样本Elman 神经网络进行训练并对伪数据剔除进行数据重构.实验结果表明,本文建立的Elman 反馈递归模型能够很好的剔除光伏发电功率预测的不良数据并进行详细补全,对减小功率预测的误差起到重要作用.
关键词：Elman 模型 光伏发电系统 不良数据处理
由于光伏发电出力的不确定性,致使其不能很好的被电网消纳,存在着极大的资源浪费.我们通过智能算法建立数据模型,对光伏发电的不良数据进行科学化处理,这样做既能够很好地解决光伏发电功率预测的不确定性问题,还能够进一步提高清洁能源的利用效果,具有很大的经济效益.
一、基于小波理论的不良数据检测与剔除
小波分析具有悠久的发展历史.小波分析源于数学中傅里叶级数.小波分析直接提取对诊断有用的信息具有很广阔的应用前景和用途.可以用于工程项目的探测、医院治疗、通信检测等等领域中.当前,国内外学者对于小波分析的研究投入了大量的经历,由它来构造故障诊断所需的特征尤为重要的因子,希望能够有更好发展和应用.小波分析能的用途很多,但是大部分情况都是用来进行故障检测.在运用小波分析的时候首先对输入信号进行解析,找到待分析信号的特有属性后进行选取关键因子.而关键因子一般情况下都是不规则的属性,从而能够充分表明其本质.实际工作时,我们需要分析信号的频谱特性,还需要检测一下其幅值.
小波函数是从一个比较大的波函数中分解出来子波,在这个过程需要进行一定的数学变换.小波分析就是分析子波,分析大量的子波.小波变换是指某一基本小波函数φ(t) 平移τ 个后,再在不同尺度α 下与待分析的信号x(t) 做内积.
式中,τ 和a 是里面的系数,τ 相当于使目标相对于要求平行移动,a 相当于使目标推进或远离.在进行小波分析的时候会用很多的断点,使信号的传递产生中断,很多的检测就是根据这一原理进行的.
二、Elman 反馈递归模型
人工神经网络(Artificial Neural Network,简称 ANN) 是通过使用大量的人工神经元来模仿生物神经网络的能力,当收到外部环境变化和其它神经元的请求信号时,利用本身的经验或者相关算法,回复相应的任务或者控制信号,并输出到外部环境或其它神经元.具有输入输出关系的神经单位都可以存在映射关系.其结构模型如图1 所示.
Elman 神经网络全称“简单递归神经网络”,由J. L.Elman 于1990 年首先提出,它是一种常见的动态反馈神经网络,以BP 网络为基础,在训练时采用梯度下降算法,它在隐含层中添加一个承接层,将隐含层输出通过承接层的延时、存储,反馈到隐含层的输入,通过内部反馈使网络具有时变特性,增强了网络处理动态信息的能力.
Elman 神经网络的结构如图2 所示,可将其分为四层,即：输入层、输出层、隐含层和承接层四部分.输入层的单元负责接收外部网络的信息,起到信号传输作用.输出层单元负责输出网络计算结果,起线性加权作用.隐含层单元的传递函数可采用线性函数或阈值函数、S 型函数等非线性函数；在网络精度达到要求的情况下,选择单隐含层,以求加快速度.承接层起着承上启下的作用,它主要用来存储隐含层单元前一时刻的输出值,并将输出值反馈到隐含层的输入端,具有一定的延时作用.
三、数据剔除与重构的应用分析
本文通过建立Elman 神经网络预测模型可以短期预测某一时间点的光伏发电量,模型建立以后,需要大量的样本数据进行训练,样本越丰富,训练的准确性就越高,就越接近现实.训练时先对所有数据样本正常运行一轮取得样本数据,然后再反过来对数据进行修改权值的训练.
本文通过基于小波理论的不良数据的检测与剔除结合,利用Matlab 实现基于Elman 的神经网络学习算法和迭代过程验证了提出的光伏阵列发电预测模型.本文把预测日中需要预测时间点的前4 个数据作为输入.文章中数据采用某地区光伏发电系统发电功率2013 年12 月27 日上午5:44:44—8:44:40 时间段（随机选取）每6s 采集数据.其中训练数据组数为1800 组,验证数据为1800 组.
1、不良数据检测.（1）数据波动性比较大,造成数据波动的原因可能因为环境因素影响,比如：光照强度、环境温度、风向等等.（2）数据中很多采集点的光伏发电功率值为零,造成这种现象的原因很有可能是光伏系统在存储数据的时候没有存储上.（3）经过观察可以发现,在这个时间段内,发电功率的图像中始终存在0、20kw 左右的发电功率,这说明可能是因为系统更新出现延迟等.（4）我们实际进行光伏发电功率数据采集的时候常常会受到很多因素的干扰,比如：计算机误存储、采样间隔过大等等.
2、不良数据处理.我们采用建立好的Elman 反馈递归预测模型,对光伏发电系统发电功率2013 年12 月27 日上午5:44:40—8:44:40 时间段每6s 采集数据中的不良数据进行重构处理,主要根据小波分析信号奇异点检测剔除的方法,对伪数据进行重构预测.光伏发电功率波动情况明显有所改善,比较切合实际.出现这种现象的主要原因有：（1）7:44:40—7:54:40 这段时间内,太阳的辐照强度达不到激发光伏发电进行能量装换的要求,故这段时间的光伏发电量为0.（2）其他光伏发电功率还是有明显的功率波动,产生这种现象的原因主要是光伏发电进行能量转换的时候受很多的因素影响,外部环境的波动就会影响光伏发电功率的输出,所以这里光伏发电输出功率出现一定的波动属于正常现象,这也从另一个角度充分说明我们所做的模型基本符合实际.
结论：在本课题的研究过程中,还存在很多不足,需要进一步的研究.本文基于Elman 反馈递归预测方法很好的利用了大量的历史数据,建立了大量的数据样本,对于Elman神经网络模型的精度提供了很好的帮助.本文结合历史发电量数据,通过小波分析对信号奇异性检测,对历史数据样本中的不良数据的识别及处理,并对训练好的模型进行了测试和评估.实验结果表明,本文建立的预测模型具有较高的精度,很好的解决了光伏发电不确定性问题.但本文的光伏发电输出功率短期预测仅考虑了历史数据,针对环境因素的考虑还不够全面,比如：温度、风速等影响因子,基本上能够还原数据的完整性,达到了功率预测的基本要求.
汇总，上文是关于对写作光伏发电和递归和数据处理论文范文与课题研究的大学硕士、光伏发电本科毕业论文光伏发电论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
跟踪式聚光光伏发电系统控制结构的设计和
摘要文章介绍了一种基于Freescale单片机的跟踪式聚光光伏发电系统的控制结构设计方案 该方案重点阐述了电机驱动与控制、信号采集与调理、防干扰……电路的设计,能够实现对温度、光强、日历时钟、角度、电.
基于分数阶累加灰色模型的福建省第二产业产值预测
引言20 世纪80 年代初,我国学者邓聚龙教授创立了灰色系统理论,用以解决“小样本、贫信息”的系统分析、预测、决策……问题,经过30 多年的发展,灰色预测模型得到了不断的完善,.
分布式微网光伏发电和储能系统的设计
摘要随着工业文明的不断发展,全世界面临的最棘手的问题是能源与环境,开发利用新能源材料及相应的技术,将是解决这一问题最有效的方法 而太阳能相比常规能源而言,作为绿色环保的新能源,具有“取之不.
光伏发电人在家中坐，钱从天上来
编者按据新丝路杂志社记者了解贫困村要致富,精准贫困户要脱贫,一般都走种养殖业的老路子、老套路 因为在农村,农民一般离不开土地,离不开牲畜 土里种的,家里养的,就是挣钱的东西 “但我们不这样.