APP下载

大数据分析下太阳能发电优化模型研究

2020-10-20孙运志蒋德玉李沛东张盛林化晨冰

粘接 2020年9期
关键词:大数据分析太阳能

孙运志 蒋德玉 李沛东 张盛林 化晨冰

摘要:能源危机环境下太阳能发电有利于降低不可再生能源的使用量。然而太阳能发电系统中功率比较不稳定,容易造成一系列问题,对太阳能发电功率预测有助于降低问题发生,于是文章研究大数据分析下太阳能发电优化模型。首先利用偏相关方法分析影响太阳能发电功率的因子,然后将大数据分析技术中的多样式回归、混沌神经网络、鲁棒平滑和支持向量机等模型建立组合预测模型,将该模型用于太阳能发电功率预测中,研究结果表明组合预测模型具有更好的精确性。

关键词:大数据分析;太阳能;发电功率预测;优化模型

中图分类号:TM615

文献标识码:A

文章编号:1001-5922(2020)09-0086-04

太阳能属于一种清洁能源,利用太阳能发电有助于降低我国不可再生能源的消耗,而当前太阳能发电还存在一定的问题,因为太阳能发电系统具有较大的随意性,会造成电力系统出现安全稳定,还会出现电能质量不稳定等问题,于是对太阳能发电功率进行预测具有重要作用[1-2]。随着大数据分析技术的快速发展,已经有了很多较为成熟的理论,并且在很多领域中具有良好的应用效果[3]。电力系统的不断应用发展,其中存在各种较为复杂的数据,体现出了大数据的特点[4]。文章将通过利用大数据分析技术,对太阳能发电功率进行预测,其中建立了发电功率的组合预测模型。

1 太阳能发电功率受到气像因素的影响分析

1.1 发电功率的影响因素

一般情况下,地理环境和天气状况都会对发电功率造成很大影响,影响最大的是光照量,湿度、风况和温度也会对发电功率造成一定的影响;另外,太阳能发电系统的安装位置、安装角度等也会影响到发电功率[5-6]。通过某地区的一个太阳能发电系统的各个数据进行计算,得到如表1所示的气象因子和输出功率之间的Pearson相關系数。

从表中可以看出,光照和气温与太阳能功率有较大正相关系数,另外的湿度和功率有较大的负相关性。

1.2 偏相关分析

由于变量之间的关系非常复杂,仅仅只进行简单的相关系数分析,不能准确的反映出与功率之间的相关性。而通过使用偏相关分析,能够准确的放映出各个因素与功率之间的关系。

于是通过上述分析后,可以得到如表2所示的偏相关系数。从表中可以看出,气温和功率之间存在负相关性,于是可以验证得到前面所分析的Pearson相关系数结果不准确。从该表中,可见光照强度属于影响最大的因子,所以在建模过程中需要着重分析;气温和湿度具有较大的负相关性,于是在模型中也需要着重分析。而其它的影响因子与功率之间的相关系数比较小,所以可以将其忽略,即在建模过程中不需要考虑这些因子。

2 大数据分析下组合预测模型分析

组合预测就是将不同的预测模型进行组合,从而可以发挥每个模型的特点和优势,需要将对每个模型进行加权平均处理,从而实现模型的优势互补,提高模型的预测效果。

2.1 组合预测模型

选择两种以上的模型预测对象,然后按照一定的方式将每个模型进行综合处理形成一个组合模型,最后通过该模型进行预测。其数学模型如下所示:

图1是组合预测模型的结果,其中数据仓库中有太阳能发电系统的各种数据,方法仓库中就是不同的预测模型,通过确定加权系数之后,即可建立组合预测模型,然后对组合预测模型进行应用,最后将结果存放于预测结果库中。

2.2 加权系数确定方式

加权系数直接决定着组合预测模型的应用效果,文章通过使用混沌粒子群优化算法确定加权系数,其

3 大数据分析技术中单相模型

3.1 混沌神经网络模型

文章使用递归网络构造混沌神经网络。其中结构主要有三个部分,分别为输出层、输入向量和隐含成。在隐含层中存在一个反馈连接,其主要作用在于有利于网络表现出实时动态特征。图2即为混沌神经网络结构图。在隐含层和反馈层中需要有一个传递函数,于是分别使用的线性函数和Logistic函数。于是网络每层之间的传递函数如下所示:

3.3 其他单项模型的选择

通过运用多项式和鲁棒方法,可以将其作为跟踪因子和抑制因子,然后将这两者放到补偿系数中,从而可以构成组成预测模型,使得模型具有更好的稳定性。

4 算例分析

4.1 归一化处理

通过对太阳能发电系统的实测数据为例,训练样本选择的是历史发电功率和气象数据,目的在于对组合预测模型进行检验,是否具有较好的应用效果。其中功率预测时间是15min。然后对相关数据进行归一化处理,其处理公式如下所示:

4.2 预测结果

为了体现组合预测模型的优势,文章将其他单个模型也进行了预测分析。预测结果如图3所示。

4.3 误差分析

文章需要对5种模型进行误差比较,于是比较标准使用的为平均绝对百分比误差,简称MAPE,将其符号设置为SMAPE:

4.4 预测实例结果分析

表4即为5种预测模型的误差统计,从表中可以看出,组合预测模型其误差率更小,具有更好的精确性。另外,支持向量机模型和混沌神经网络模型的误差率也相对比较低,因为在该模型中将气象因子进行了考虑,于是其精度性比较好。组合预测模型因为将几种模型进行集中处理,然后合为一个模型,该模型将具有其他模型的优势,于是其抗突性变和跟踪能力将会很好,于是其精确度将会比其他单独的模型更高。

5 结语

大数据分析技术的性能广泛,在很多领域中具有重要作用。文章通过应用大数据分析中挖掘技术对太阳能发电功率进行预测,建立优化模型,将几种模型进行集合为一个模型,即所提的组合预测模型,在给模型中考虑了气象因子,相比于其他几种单独模型,在实际的应用过程中组合预测模型有更好的精确度和预测效果。

参考文献

[1]赵波,薛美东,葛晓慧,等,光伏发电系统输出功率计算方法研究[J].电网与清洁能源,2010,26(07):19-24.

[2]彭恒,闰伟华.太阳能光热发电新技术工艺路线综述[J].电站系统工程,2020,36(03):25-26+29.

[3]严英杰,盛戈唪,陈玉峰,等.基于大数据分析的输变电设备状态数据异常检测方法[J].中国电机工程学报,2015,35(01):52-59.

[4]刘昕林,罗伟峰,黄萍,等.大数据环境下电力信息系统监控预判的智能分析[J].微型电脑应用,2019,35(07):140-142+157.

[5]邓雅,胡书举,孟岩峰,等.光伏发电系统功率预测研究方法综述[J].电气制造,2013 (006):50-53.

[6]杨光,光伏发电功率与气象影响因子关联关系的分析研究[D].北京:华北电力大学,2014.

[7]傅美平,马红伟,毛建容.基于相似日和最小二乘支持向量机的光伏发电短期预测[J].电力系统保护与控制,2012(16):71-75.

[8]赵丹,戚龙.支持向量机预测光伏发电系统最大功率的算法研究[J].吉林化工学院学报,2015,032(006):89-94.

作者简介:孙运志(1970-),男,汉族,山东临沂人,硕士研究生,高级工程师,研究方向:能源规划综合研究。

猜你喜欢

大数据分析太阳能
太阳能维修等
太阳能汽车
大数据分析对提高教学管理质量的作用
基于大数据分析的电力通信设备检修影响业务自动分析平台研究与应用
面向大数据远程开放实验平台构建研究
面向大数据分析的信息管理实践教学体系构建
传媒变局中的人口电视栏目困境与创新
便携太阳能充电宝
石油PK太阳能
自制一个太阳能热水器