基于art2神经网络和k—means算法的光伏发电功率曲线聚类.pdfVIP

设计研发}ResearchDesign 基于ART2神经网络和K—means算法 的光伏发电功率曲线聚类 采用ART2：}8经网络结合K—means算法，对美国俄勒冈9、I,IAshland电站(5 kW)2001年全年 果表明，该方法能有效地从峰值大小、曲线形状等方蕊对历史数据实现准确分类。 一李曼炫陈众／长沙理工大学电气工程与信息工程学院 、I广．伏发电以其经济、环保、清洁和安全等诸多 1．1光照强度 ／U优势得到了越来越广泛的应用，但是由于光 光伏系统输出功率除了具有不确定性外，还具有 伏发电系统受光照强度和环境温度等因素的影响，其输 很强的周期性。一般光伏发电系统主要在每天7：00～ 出功率的变化具有不确定性。因此，对光伏发电进行有 18：00输出功率。当El照类型不同时，光伏系统的发电 效、准确的预测是电网调度部门急需解决的问题。目前 功率差距很大。根据日照类型的特点，我们可以把历史 光伏发电功率预测方法分为直接法和间接法。直接法即 数据分类为晴天、多云、阴天和雨天。 采用光伏系统历史发电数据，找出其内在规律并应用于 下面是美国俄勒冈帅IAshland电站的实测发电功率 预测；间接法即采用光照强度历史数据进行光照强度预 的历史数据，图1～4分别为晴天、阴天、雨天和多云天 测，然后通过光照强度和环境温度等参数计算光伏输出 气情况下，比较具有代表性的日发电功率曲线。 功率。由于采用直接法预测可以减少太阳光照强度、入 1．2温度 射角度和光伏阵列等随机因素，因此比间接预测更加方 大气温度的变化对光伏系统发电功率能产生一定影 便准确。 要对光伏发电功率进行基于直接法的预测，就要对 数据13最高发电功率曲线及其拟合曲线。其中x轴为全 历史数据加以分析找出内在规律。现有的研究方法，如 年天数，y车由为发电功率。 BP神经网络建模、RNN反馈型神经网络建模都需要先 通过对上述图1～5的分析，我们可以得出发电功率 对样本数据进行分类处理，然后才能完成下一步的预测 曲线具有以下几点特征。 工作。本文采用多种经典聚类方法对历史数据进行聚类 1)根据图1、图2可知，晴天和阴天的曲线基本相 处理，并结合不同算法的优点，形成一种综合聚类新方 案，进一步优化聚类结果，提高聚类精度，为后续研究 提供精准的聚类基础。 ≥ 糌 1 光伏发电功率曲线特性 督 脚 划 单位面积的光伏系统输出功率为 皿 (1) Ps=玎田【1一O．005(to+25)] 式中，珂为光伏电源转换效率；S为光伏电源的面 积，m2；伪光辐射强度，km／m2；to为环境温度，℃。 从上式中可以得知，光伏系统发电功率主要受到光照强 每日时间，h 度和温度两个方面的影响。 图1 晴天下