一种基于遗传算法的太阳辐射预测模型.docxVIP

一种基于遗传算法的太阳辐射预测模型 一 太阳辐射模型仿真模型 中国丰富的太阳能资源和高理论储量，近年来呈现出良好的发展趋势。但与常规能源发电相比, 太阳能发电具有固有的间歇性和不可控的缺点, 易对电网造成冲击。由于太阳能发电量与到达地面的太阳辐射量密切相关, 受天气因素的影响显著, 随着国内光伏装机容量的迅速扩大, 气象部门有责任及早做好技术准备, 发展太阳辐射及发电量预报技术, 为电力系统调度、电力负荷配合、常规能源发电计划和光伏发电规划提供指导, 以降低发电企业运营成本, 保障电站和电网安全运行等。 太阳辐射的影响因子有很多, 包括所在地的地理纬度、太阳方位参数、云量、云状及云和太阳的相对位置、城市大气环境污染状况、大气含水量等。这些因子有的可通过几何代数计算得到确定值, 有的要素本身具有随机性, 部分气象要素则只能利用天气类型预报参数化, 并且这些因子对太阳辐射的影响也具有非线性的特点。 神经网络模型是一种处理非线性问题的强大工具, 已有不少研究者将其用于太阳辐射的估算中。本模型结构拟采用3层前向网络。网络结构确定后, 由已知的样本反复调节各层各神经元的连接权和阈值, 直至使预先设计的代价函数极值化。这一系列过程被称为网络的学习训练。曹双华等将神经网络模型引入到太阳逐时总辐射预测中, 得到了比美国ASHRAE模型和时间序列模型更准确的结果。本模型尝试引入遗传算法取代传统的BP算法, 并尝试在神经网络模型中加入量化的天气类型预报参数, 且部分选用EOF主分量作为模型网络的输入和输出, 提高了计算效率和阴雨天辐射预测的准确性, 不失为一种合理、高效的逐时辐射预测方法。 二 模型预测项的确定 影响地面接收到太阳辐射的因素有很多, 包括地理纬度、太阳赤纬角、太阳时角、周边遮蔽等天文地理因子, 也包括天气气候状况、大气环境质量等气象环境因子。受这些因子的综合影响, 太阳辐射的变化既具有随机性, 又具有周期性, 包括日变化周期和年变化周期。而这些因子对辐射量的影响方式、影响程度、可预测性都不相同, 尤其是气象环境因子, 更是随着时间和空间的不同而具有极大的变化。 因此, 我们在设计预测模型时需要考虑模型的输入项应具备的特点为: (1) 可预测性。选择因子必须是在目前科技条件下能够进行可信的短期预报。 (2) 关联性。所选因子必须与地面太阳辐射密切相关。 (3) 精炼性。由于输入因子的增加会带来模型运算时间的大幅延长, 因此必须选择尽量少的预报因子。 由于太阳辐射时间序列周期性的存在, 因此辐射序列本身具有高度自相关性。在同一地理纬度, 类似的太阳赤纬角、时角和天气状况下, 地面的太阳辐射量和日变化将十分类似。因此, 利用过去的辐射资料序列和天气状况要素进行辐射预测的方法是可行的。 在常规天气预报中, 日类型预报和最高、最低气温预报是气象部门比较重视且较为准确的一种方式。由最高、最低气温得到的温度日较差也是天气类型和辐射量的反映因子。通常情况下, 在天气类型相同的连续几天, 其辐射量的大小和日变化也较类似。而当天气类型发生转折时, 温度日较差和天气类型的提前预报又可反映这种转折。因此, 本模型预测初步方案设计为:与被预测日同一天气类型的上一日逐时总辐射, 同一类型上一日和预测日的日最高温度、温度日较差、日天气类型数值作为模型输入因子, 预测同一天气类型下一日逐时总辐射。其中影响辐射量的天文因子隐含在上一日的辐射量数据中, 而气象和环境因子则隐含在天气类型、温度日较差和最高气温预报中。 2 初步分类标准 在常规天气预报中, 天气类型是用“晴”、“阴”、“雨”这样的模糊词语描述的, 必须将这样的术语转换为可被神经网络算法接收的精确值。本文采用云量、降水量两个量化指标数据将天气类型数值化, 初步采用的分类标准见表1。由于目前气象部门云量观测每日只有四次, 因此取对辐射影响最大的每日14时的云量作为当日的分类指标。 3 网络结构的确定 对于3层前向网络, 网络结构包含输入层、隐含层和输出层, 各层需要确定节点的数量。由于实验所用的武汉站每日日照时数在10~14h, 直接将逐时辐射资料输入到网络中将使网络变得极为复杂, 运算代价极大。为使输入、输出即含有大量信号, 个数又不繁多, 这里对每日的逐时辐射序列进行EOF分解, 取其累计方差贡献率达到80%以上的前3个主分量与天气预报因子 (日最高气温、温度日较差、天气类型) 作为模型的输入, 对输出的主分量再进行还原即可得到预测日的逐时总辐射。因此, 网络结构确定为输入节点6个、隐含节点2个、输出节点3个, 如图1所示。当网络结构确定后, 就可由已知的样本反复调节各层各神经元的连接权和阈值, 直至使代价函数极值化。 三 预测器 1 回算训练样本 由于不同季节太阳辐射各影响因子的影响方式和权重不尽相