光伏發(fā)電功率預測和模型分析

1、光伏發(fā)電功率預測與模型分析摘要近年來，隨著對可再生能源需求的日益提高，太陽能光伏發(fā)電技術(shù)得到了迅速的發(fā)展，大規(guī)模光伏發(fā)電系統(tǒng)的應用也日益廣泛起來，但也隨之出現(xiàn)了很多問題。由于太陽輻射量與季度、陰晴及晝夜等氣象條件密切相關(guān)，從而造成了光伏發(fā)電系統(tǒng)輸出功率的隨機性和間歇性的固有缺點，而且考慮到儲能技術(shù)上的不成熟等因素，當大量的光伏發(fā)電系統(tǒng)接入電網(wǎng)時，勢必會對電力系統(tǒng)的安全穩(wěn)定運行和電能質(zhì)量等帶來嚴峻挑戰(zhàn)，從而限制光伏發(fā)電產(chǎn)業(yè)的發(fā)展，所以對光伏發(fā)電系統(tǒng)輸出功率進行預測對于電力系統(tǒng)運行而言具有非常重要的意義。本文通過對影響光伏發(fā)電功率因素進行分析對目前現(xiàn)有的光伏發(fā)電功率預測方法進行分類，并根據(jù)統(tǒng)計方法

2、和物理方法為依據(jù)，對太陽輻照量預測進行預測和直接對光伏發(fā)電系統(tǒng)的輸出功率預測兩種方法進行闡述和細化對比。再根據(jù)各自所使用的數(shù)學模型不同將預測方法分為時間序列法、神經(jīng)網(wǎng)絡(luò)法、支持向量機方法、回歸分析方法和智能預測方法60最后對不同分類的預測方法及相應的數(shù)學模型進行分析闡述和對比，說明其適用范圍及精確度，并對其可行性進行分析，提出在功率預測中需要解決的問題。關(guān)鍵詞：光伏系統(tǒng)；功率預測；數(shù)學模型；方法AbstracktInrecentyears,withthedemandforrenewableenergyincreasing,solarphotovoltaictechnologyhasbeenra

3、piddevelopmentoflarge-scalephotovoltaicpowergenerationsystemapplicationsareincreasinglywidespreadup,butalsowillbealotofproblems.Sincetheamountofsolarradiationquarter,Teenageandotherweatherconditionscloselyrelatedtocircadian,resultinginapoweroutputofphotovoltaicpowergenerationsystemandintermittentran

4、domnessinherentshortcomings,andtakingintoaccountfactorssuchasenergystoragetechnologyimmaturity,whenalargenumberPVsystemconnectedtothegrid,itmusthaveasafeandstableoperationofpowersystemsandpowerqualityposeseriouschallenges,thuslimitingthedevelopmentofphotovoltaicpowergenerationindustry,sotheoutputpow

5、erofthephotovoltaicpowergenerationsystemtopredictintermsofthepowersystemoperationhasaveryimportantsignificance.BasedontheimpactofphotovoltaicpowerfactoranalysisoncurrentlyavailablePVpowerpredictionmethodforclassification,andphysicalmethodsbasedonstatisticalmethodsandisbasedontheamountofsolarradiatio

6、nforecastsandprojectionsdirectlytotheoutputpowerofphotovoltaicsystemsforecastdescribestwomethodsandrefinedcontrast.Andthenaccordingtotheirmathematicalmodelsusedtoforecastmethodisdividedintodifferenttimeseries,neuralnetworks,supportvectormachine,regressionanalysisandintelligentpredictionmethod.Finall

7、y,thepredictionofdifferentclassificationmethodsandthecorrespondingmathematicalmodeltoanalyzeandcompareelaborated,indicatingitsscopeandaccuracy,anditsfeasibilityanalysis,forecastinginpowerneedtoberesolved.Keywords:PVsysterm;PowerPrediction;Mathematicalmodel;Method1前言1.1光伏產(chǎn)業(yè)國內(nèi)外發(fā)展現(xiàn)狀太陽能作為一種新型可再生能源，與傳統(tǒng)能源

8、相比具有可再生，無污染，來源廣泛等優(yōu)點是替代化石能源的主要選擇。太陽能光伏發(fā)電產(chǎn)業(yè)是20世紀80年代以后世界上增長最快的高新技術(shù)產(chǎn)業(yè)之一。1839年,法國的科學家Becqurel就發(fā)現(xiàn),光照能夠使半導體材料不同部位之間產(chǎn)生電位差，這種現(xiàn)象被稱為“光伏效應”。每秒到達地面的太陽光能量高達80萬千瓦，假設(shè)把到達地球表面的太陽能轉(zhuǎn)為電能，轉(zhuǎn)化率5%,每年的發(fā)電量就能達到千瓦時，相當于世界能耗量的40倍。正是由于這些優(yōu)勢，太陽能電池不斷發(fā)展，種類日益增多、應用范圍逐步增大、市場規(guī)模也不斷地擴大作為太陽能的重要應用，光伏發(fā)電技術(shù)已經(jīng)成為各國爭相發(fā)展的新能源技術(shù)之一。2011年，美國提出“太陽能先導計劃”

9、意在降低太陽能光伏發(fā)電的成本，使其2015年達到商業(yè)化競爭的水平；日本也提出了在2020年達到28GW的光伏發(fā)電總量；歐洲光伏協(xié)會提出了“setfor2020規(guī)劃，規(guī)劃在2020年讓光伏發(fā)電做到商業(yè)化競爭，可見，在發(fā)展低碳經(jīng)濟的大背景下，各國政府對光伏發(fā)電的認可度逐漸提高。中國也不甘落后，據(jù)業(yè)內(nèi)估計,2011年我國新增光伏裝機量有達到，同比增長400%。十二五相關(guān)規(guī)劃也將2015年的光伏裝機目標從10GW上調(diào)到15GW,2020年將達到50GW。隨著光伏技術(shù)的不斷發(fā)展，光伏發(fā)電的成本也隨之不斷下降，再加上各國對光伏產(chǎn)業(yè)的支持力度，我們有理由相信大規(guī)模利用光伏發(fā)電為人類提供服務的前景將更加廣闊。

10、光伏系統(tǒng)發(fā)電的競爭力正在不斷提高，已經(jīng)成為了最受重視的新能源發(fā)電技術(shù)。太陽能光伏發(fā)電系統(tǒng)工作原理是當有太陽光的時候，太陽能電池將光能轉(zhuǎn)換為電能輸出多組太陽能組件構(gòu)成的方陣輸出電流并通過接線箱進行匯總，然后輸入能源分配系統(tǒng)。輸入電能一方面通過充放電單元給蓄電池組進行充電，另一方面通過逆變系統(tǒng)在能源分配單元的控制作用下給負載供電，平衡分配通過太陽能轉(zhuǎn)化的電能與電網(wǎng)電能，做到優(yōu)先充分利用太陽能電力，同時能源分配單元保證當太陽能不足時，及時切換至由電網(wǎng)供電。目前，光伏發(fā)電產(chǎn)品主要用于三大方面：一是提供電源，主要為廣大無電地區(qū)居民生活生產(chǎn)提供電力，還包括一些移動電源和備用電源；二是太陽能日用電子產(chǎn)品,如

11、各類太陽能充電器，太陽能路燈等；三是并網(wǎng)發(fā)電，這在發(fā)達國家己經(jīng)大面積推廣實行，如德國“10萬屋頂計劃”和美國“百萬個太陽能屋頂計劃”。我國并網(wǎng)發(fā)電剛起步,2008年北京/綠色奧運部分用電就由太陽能發(fā)電和風力發(fā)電提供，還有2011年甘肅最大光伏發(fā)電項目一一敦煌太陽能綜合利用示范項目暨100兆瓦光伏并網(wǎng)發(fā)電項目在敦煌建成投產(chǎn),2011年世界最大的屋頂電站項目一一興業(yè)太陽能20兆瓦屋頂電站項目實現(xiàn)投產(chǎn)。課題研究背景光伏發(fā)電功率預測預測是能量管理中急需解決的問題。光伏發(fā)電與風力發(fā)電一樣，均屬于波動性和間歇性電源，同時，各用戶或小區(qū)使用的光伏電池種類及其安裝位置隨機性也大，光伏發(fā)電系統(tǒng)受光照強度和環(huán)境溫

12、度等氣候因素的影響，輸出功率的變化具有不確定性，輸出功率的擾動將有可能影響電網(wǎng)的穩(wěn)定，因此,需要加強光伏發(fā)電功率預測的研究，預先獲得光伏發(fā)電系統(tǒng)的日發(fā)電量曲線，從而協(xié)調(diào)電力系統(tǒng)制定發(fā)電計劃，減少光伏發(fā)電的隨機化問題對電力系統(tǒng)的影響。使用蓄電池來穩(wěn)定光伏發(fā)電功率輸出是一種可行的方法，但需要追加成本，而且廢舊蓄電池還會導致環(huán)境污染。因此，需要對光伏系統(tǒng)的發(fā)電功率進行準確預測，以便了解大規(guī)模的太陽能光伏并網(wǎng)系統(tǒng)的發(fā)電運行特性以及與電網(wǎng)調(diào)度、電力負荷等的配合問題，這樣有助于整個電力系統(tǒng)的規(guī)劃和運行，從而減少光伏發(fā)電隨機性對電力系統(tǒng)的影響，提高系統(tǒng)的安全穩(wěn)定性。因此對光伏系統(tǒng)進行功率預測是很有必要的。課

13、題研究意義目前隨著大規(guī)模的光伏發(fā)電系統(tǒng)應用日益廣泛，也出現(xiàn)了越來越多的問題。由于太陽輻射量同季度、晝夜及陰晴等氣象條件有關(guān)，造成光伏發(fā)電系統(tǒng)輸出功率間歇性和隨機性的固有缺點，而且目前存在儲能技術(shù)不成熟等因素，當大量的光伏發(fā)電系統(tǒng)接入電網(wǎng)時，勢必會對電力系統(tǒng)的安全穩(wěn)定運行和電能質(zhì)量等帶來嚴峻挑戰(zhàn)，從而限制光伏發(fā)電的發(fā)展速度和規(guī)模，所以對光伏發(fā)電系統(tǒng)輸出功率進行預測對于電力系統(tǒng)運行具有非常重要的意義。國內(nèi)外對預測方法研究的發(fā)展現(xiàn)狀目前，國外以歐洲、日本等國家的光伏發(fā)電系統(tǒng)輸出功率預測技術(shù)研究已有一定的研究進展，如丹麥、西班牙、意大利、日本等國已開展和研發(fā)利用氣象預報信息對光伏電站輸出功率進行預測的

14、研究和應用。丹麥ENFOR公司開發(fā)的SOLARFOR系統(tǒng)是較具代表性的光伏發(fā)電輸出功率預測系統(tǒng)，其將輸出功率歷史數(shù)據(jù)、短期的數(shù)值天氣預報信息、地理信息、日期等要素進行結(jié)合，利用自適應的統(tǒng)計模型對光伏發(fā)電系統(tǒng)的短期（048h）輸出功率進行預測。意大利Jijel大學AdelMellit等對的里雅斯特地區(qū)（意大利）的20KW并網(wǎng)光伏電站所在地氣象數(shù)據(jù)和系統(tǒng)功率數(shù)據(jù)進行采集和分析，利用兩種人工神經(jīng)網(wǎng)絡(luò)模型（太陽輻照量和氣溫作為網(wǎng)絡(luò)輸入）對系統(tǒng)輸出功率進行預測，平均偏差僅為和16。西班牙Joen大學Almonacid等采用神經(jīng)網(wǎng)絡(luò)方法，以實時測量的光伏陣列溫度、太陽總輻照量為輸入值，對應條件下實測電流-

15、電壓曲線為目標函數(shù)，利用反向傳播算法L-M優(yōu)化方法，訓練多層傳感器（MLP）模型，求解出逼近實際工況的電流-電壓曲線，建立了光伏發(fā)電量與太陽總輻照量、光伏電池板溫度之間的函數(shù)關(guān)系，對Joen大學kW的光伏電站輸出功率進行預測，經(jīng)校驗，2003年發(fā)電量預報值與實測數(shù)據(jù)的歷史相關(guān)系數(shù)高達17。印度SudiptaChakraborty等人采用每小時的測量信息（太陽輻照量、溫度、壓力、濕度、日照時間等）作為輸入，利用模糊自適應諧振網(wǎng)絡(luò)預測每小時的日類型信息，然后由日類型信息計算光伏陣列的輸出功率，取得較好的預測效果。彳惠國Oldenburg大學Lorenz等人根據(jù)歐洲中尺度天氣預報中心（ECMWF）提

16、供的未來3天太陽總輻照預報數(shù)據(jù)，結(jié)合德國境內(nèi)11個光伏電站觀測資料來預報光伏發(fā)電量，在2007年4月和7月，光伏發(fā)電量預報的相對均方根誤差分別為39%和22%18。日本Ryukyus大學AtsushiYona等人將前18小時溫度、氣壓、相對濕度、風速等作為神經(jīng)網(wǎng)絡(luò)輸入，分別利用前饋神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)和遞歸神經(jīng)網(wǎng)絡(luò)對太陽輻照量進行預測，進而得出光伏發(fā)電系統(tǒng)輸出功率，取得較好的預測效果，也具有較好的代表性190日本NTTFacilities公司Kudo等人根據(jù)歷史氣象資料和日本愛知縣世博園區(qū)330kW光伏系統(tǒng)發(fā)電量數(shù)據(jù)，進行多元回歸分析，建立預報方程，預測未來一天05:0019:00的逐時發(fā)電量

17、，并利用“預報+實測+臨近訂正”的方案，降低了天氣預報誤差對于輸出功率預測準確性的影響。經(jīng)校驗，2005年3月25日至9月26日，日均發(fā)電量預報誤差為,時均預報誤差為20。目前國內(nèi)對光伏發(fā)電系統(tǒng)輸出功率預測技術(shù)尚處于理論性研發(fā)階段。湖北省氣象局牽頭的“太陽能光伏預報系統(tǒng)研究”項目，根據(jù)光伏電站未來3天逐時輻照量和輸出功率，并采用了兩種發(fā)電量預報方法，一是基于大氣輻照傳輸、光電轉(zhuǎn)換、直流/交流變換（DC/AC）和交流并網(wǎng)等系列物理原理的原理預報法，二是基于數(shù)值天氣預報（NWP）模式產(chǎn)品、光伏電站發(fā)電量數(shù)據(jù)結(jié)合的動力統(tǒng)計法。兩種方法結(jié)合進行預測，目前該項目也處于研發(fā)實施階段210華中科技大學陳昌松

18、等人結(jié)合這些光伏陣列歷史輸出功率數(shù)據(jù)和同期氣象數(shù)據(jù)（日最高氣溫、日天氣類型）分析，利用BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)方法等，對復雜的氣象數(shù)據(jù)進行模糊識別，將天氣情況按照天氣類型晴天/云天/雨天劃分，建立了基于逐日天氣預報信息的光伏發(fā)電陣列輸出功率預測模型。該方法對晴天類型發(fā)電量預測誤差較好（%），但對一天內(nèi)天氣類型劇烈變化的情況時則無法滿足逐時預報的要求22。合肥工業(yè)大學丁明等提出基于馬爾可夫鏈的直接預測光伏電站出力的方法。該方法對教育部光伏系統(tǒng)工程研究中心的并網(wǎng)光伏發(fā)電系統(tǒng)歷史功率數(shù)據(jù)建立多個狀態(tài)轉(zhuǎn)移矩陣來直接預測光伏電站出力，避免了對光伏系統(tǒng)逆變模型的具體建模及光照數(shù)據(jù)的采集和轉(zhuǎn)換過程。取得

19、較好的預測結(jié)果（晴天時：%）,但在不同的日類型下該方法可行性還有待驗證明東北電力大學蘭華等利用自回歸滑動平均模型(ARMA)對東北某光伏電站的輸出功率進行預測研究，具有一定的代表性和可行性，但在沒有考慮氣象因素的復雜多變性，模型的預測實用性也有待檢驗。華北電力大學栗然等人建立光伏組件數(shù)學模型，根據(jù)保定地區(qū)氣象資料，利用光伏發(fā)電系統(tǒng)仿真建模軟件Homer模擬仿真了30MW光伏電站輸出功率數(shù)據(jù)，利用支持向量機回歸分析方法，進行輸出功率預測。但該方法無實際光伏電站的實況發(fā)電量資料，缺乏實驗驗證，對實際光伏電站輸出功率預報的指導意義也有限。經(jīng)過長期的學習和研究，目前國內(nèi)外已經(jīng)提出很多用于光伏系統(tǒng)發(fā)電功

20、率預測的算法常用的光伏發(fā)電功率預測的方法分兩種：第一種是不預測周圍的環(huán)境因素而直接進行預測，例如ANN模型、馬爾可夫鏈模型、灰度模型和統(tǒng)計模型等；另一種是通過相關(guān)因素的情況，間接的預測輸出功率，相關(guān)因素包括福照強度、溫度、風速等?；叶阮A測模型適用于信息不完整、不確定的情況，具優(yōu)點是可以用較少的數(shù)據(jù)對未知系統(tǒng)作出判斷。使用灰度模型可以簡化光伏發(fā)電功率預測過程但預測精度不高12,所以一般不采用。預測方法概述光伏功率預測從預測方法上可以分為統(tǒng)計方法和物理方法兩類。統(tǒng)計方法對歷史數(shù)據(jù)進行統(tǒng)計分析，找出其內(nèi)在規(guī)律并用于預測；物理方法則將氣象預測數(shù)據(jù)作為輸入值，采用物理方程進行預測。而從時間尺度上可以把光

21、伏發(fā)電功率預測分為超短期功率預測和短期功率預測。光伏發(fā)電系統(tǒng)輸出功率預測方法根據(jù)預測的物理量可以分為兩類：第一類為對太陽輻照量的預測，然后根據(jù)預測的太陽輻照量估算光伏發(fā)電系統(tǒng)的功率輸出；第二類為直接對光伏發(fā)電系統(tǒng)的輸出功率進行預測。而根據(jù)所運用的數(shù)學模型不同可分為時間序列預測法、自回歸滑動平均模型法、神經(jīng)網(wǎng)絡(luò)法和智能方法等。時間序列法：時間序列模型是最經(jīng)典、最系統(tǒng)、最被廣泛采用的一類預測法7-80隨機時間序列方法只需單一時間序列即可預測，實現(xiàn)比較簡單?；貧w分析方法：回歸預測技術(shù)是通過回歸分析，尋找預測對象與影響因素之間的相關(guān)關(guān)系，建立回歸模型進行預測；根據(jù)給定的預測對象和影響因素數(shù)據(jù)，研究預測

22、對象和影響因素之間的關(guān)系，形成回歸方程；根據(jù)回歸方程，給定各自變量數(shù)值，即可求出因變量值即預測對象預測值。人工神經(jīng)網(wǎng)絡(luò)方法：運用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力負荷預測，是一種新的研究方法，由于它可以模仿人腦的智能化處理，對大量非結(jié)構(gòu)、非精確性規(guī)律具有自適應功能，具有信息記憶、自主學習、知識推理和優(yōu)化計算的特點，特別是其自學習和自適應功能較好的解決了天氣和溫度等因素與負荷的對應關(guān)系。所以，人工神經(jīng)網(wǎng)絡(luò)得到了許多中外學者的贊譽，預測的人工神經(jīng)網(wǎng)絡(luò)的最具潛力的應用領(lǐng)域之一。支持向量機方法：支持向量機(SupportVectorMachines,SVM)是由貝爾實驗室的Vapnik等提出的一種機器學習算法，它與

23、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學習方法不同實現(xiàn)了結(jié)構(gòu)風險最小化原理(SRM),它同時最小化經(jīng)驗風險與VC維的界，這就取得了較小的實際風險即對未來樣本有較好的泛化性能。小波分析方法：小波分析在時域和頻域都有良好的局部化性質(zhì)，能夠比較容易地捕捉和分析微弱信號，聚焦到信號的任意細節(jié)部分。小波分析可以用于數(shù)據(jù)的分析、處理、存儲和傳遞13-15。組合預測方法：是對多種預測方法得到的預測結(jié)果，選取適當?shù)臋?quán)重進行加權(quán)平均的一種預測方法。組合預測法與前面介紹的各種方法結(jié)合進行預測的方式不同，它是幾種方法分別預測后，再對多種結(jié)果進行分析處理。組合預測14有兩類方法：一種是指將幾種預測方法所得的結(jié)果進行比較，選取誤差最小的模型進

24、行預測；另外一種是將幾種結(jié)果按一定的權(quán)重進行加權(quán)平均，該方法建立在最大信息利用的基礎(chǔ)上，優(yōu)化組合了多種模型所包含的信息。其主要目的在于消除單一預測方法可能存在的較大偏差，提高預測的準確性。2光伏發(fā)電系統(tǒng)特性概述光伏系統(tǒng)組成E22太陽能光伏發(fā)電系統(tǒng)示意圖(1)光伏電池：光伏電池是光電轉(zhuǎn)換的最小基本單元，尺寸一般為4平方厘米到100平方厘米不等。單體光伏電池的工作電壓約為，工作電流約為20到25mA/cnf,由于單體光伏電池容量有限，一般不能單獨使用。將光伏電池獨立的光伏發(fā)電系統(tǒng)由光伏電池陣列、控制器、蓄電池組、直流/交流逆變器等部分組成,其系統(tǒng)組成如圖所示26-28。單體進行串并聯(lián)封裝后，就成為

25、光伏電池組件，其功一般為幾瓦至幾十瓦，是可以單獨電源使用的最小單元。光伏電池組件再經(jīng)過用并聯(lián)組合安裝在支架上，就構(gòu)成了光伏方陣，可以滿足負載所要求的輸出功率。(2)控制器：控制器是能自動防止蓄電池組過充電和過放電并具有簡單測量功能的電子設(shè)備。由于蓄電池組被過充電或過放電后將嚴重影響其性能和壽命，充放電控制器在獨立光伏發(fā)電系統(tǒng)中一般是必不可少的。(3)逆變器：逆變器是將直流電變換成交流電的電子設(shè)備。由于光伏電池和蓄電池發(fā)出的是直流電，當負載是交流負載時，逆變器是不可缺少的。逆變器按運行方式，可分為獨立運行逆變器和并網(wǎng)逆變器。獨立運行逆變器用于獨立運行的光伏電池發(fā)電系統(tǒng)，為獨立負載供電。(4)蓄電

26、池組件：蓄電池組件作用是儲存光伏電池方陣受光照時所發(fā)出的電能并可隨時向負載供電。目前我國與光伏電池發(fā)電系統(tǒng)配套使用的蓄電池主要是鉛酸蓄電池和鎘鍥蓄電池。光伏電池的特性在無光的環(huán)境下，光伏電池的輸出伏安特性與二極管相似。根據(jù)光伏電池的輸出特性和內(nèi)部結(jié)構(gòu)，光伏電池單元可以等效為如圖2-2所示的電路。等效電路由一個二極管、一個電流源、一個阻抗較高的電阻Rsh和一個阻抗較低的電阻Rs相串聯(lián)組成。圖中，Iph為電池產(chǎn)生的電流，Id為經(jīng)過二極管的電流,1為電池的輸出電流。在電路模型中，電流源產(chǎn)生的屯流Iph與入射到電池上的光強強度成正比關(guān)系，受溫度的影響比較少；串聯(lián)電阻Rs是為了使模型更加準確的表征從電池

27、最大功率點到開路電壓這個范圍內(nèi)的伏安特性，并聯(lián)電阻Rsh為了使模型更加準確的表征從電池的最大功率點到零工作電壓這個范圍內(nèi)的伏安特性。由單體光伏電池等效電路可得出：Iph-Id=|sh,其中Iph是光伏電池的光電流,Id是通過二極管的電流2是通過并聯(lián)電阻的電流,I是光伏電池的輸出電流。影響光伏系統(tǒng)輸出功率的因素由于受很多氣象因素影響，太陽能發(fā)電系統(tǒng)的輸出功率是不穩(wěn)定和難以控制的。影響太陽能光伏系統(tǒng)功率輸出的因素很多，關(guān)系很復雜，有些文獻甚至列舉了修正系數(shù)來使模型更好的反映這些因素。實際上現(xiàn)場條件和運行情況變化無常既無法事先確定各因素大小，也完全沒有必要作如此細致的區(qū)分。因此，本文只考慮如下幾個主

28、要因素：太陽福照強度、組件溫度和太陽能光伏電池的轉(zhuǎn)換效率。1.太陽福照強度R.I圖2-2太陽能光伏電池等效電路發(fā)電功率隨著太陽輻照強度的波動而變化，太陽福射強度是影響輸出功率的主要因素。當太陽電池的面積確定時，其輸出電流與太陽福照強度成正比，因止匕,當太陽福照強度增加時，光伏系統(tǒng)輸出功率也會隨之增加。而太陽福照強度是由許多不確定因素決定，如季節(jié)和地理位置等。此外，天氣情況、太陽照射角度、觀測內(nèi)期、時間和云量都會對太陽福照度造成很大影響。由于受太陽輻射度的影響，光伏輸出功率有很強的周期性，包括日周期和年周期。光伏發(fā)電系統(tǒng)通常在上午8:00和下午5:00之間產(chǎn)生輸出，因此在并網(wǎng)時會對電網(wǎng)產(chǎn)生周期性

29、的不穩(wěn)定影響。因為太陽福照強度具有隨機性，使得確定光伏系統(tǒng)各方陣面上各個時段太陽福照量的確切值變得相當困難，只能參考氣象臺的歷史資料記錄，但是通常氣象臺站提供的是水平面上的太陽福照量，若要使用其進行預測，需要轉(zhuǎn)換為傾斜方陣面上的福照量。太陽福照強度可定義為照射到單位時間單位面積上的太陽光能量（單位:w/itf）。太陽福射經(jīng)過大氣，其中部分到達地面，稱為直接太陽福射；另一部分被大氣分子及大氣中的水汽、塵埃等反射、散射和吸收。被散射的太陽光包括返回宇宙空間的部分和到達地面的部分，到達地面的部分太陽光稱為散射太陽福射。直接太陽福射和散射太陽福射之和稱為總福射，為太陽能光伏發(fā)電系統(tǒng)所利用。影響太陽總輻

30、射強度的因素可歸納總結(jié)如下：（1）太陽光入射角h:入射角越大太陽總福射越大；（2）大氣透明度P;大氣透明度低會減少到達地面的太陽福射；（3）大氣質(zhì)量m,m越大，到達地面的太陽總輻射越少。此外，海拔、煒度、云量和坡度坡向等也有直接或間接的影??；（4）煒度:諱度越尚，太陽光入射角越小，故總福射越低；（5）海拔越高，地面接受的太陽直接福射越強;（6）坡度坡向：南北回歸線以南以北地區(qū)，明顯表現(xiàn)出南坡向陽、北坡背陰，并且冬季比夏季更加顯著；（7）云量:一般情況下，云層越厚，云量越大，太陽直接福射越弱，散射福射量增加。（2）光伏電池的溫度觀察公式，可以發(fā)現(xiàn)溫度對太陽能電池的轉(zhuǎn)換效率也有一定的影響，與轉(zhuǎn)換效

31、率成反比。高溫會降低光伏電池的轉(zhuǎn)換效率。溫度升高1攝氏度晶體娃電池的輸出電壓就會大約降低，所以盡量保證安電池板在安裝以后上下面的空氣流通以達到盡可能低的溫度。太陽能電池內(nèi)部的溫度一般會高于環(huán)境溫度，實際運行中的太陽能電池的溫度由多個參數(shù)決定，包括太陽福照強度、地面福射量、環(huán)境溫度、風向、風速、浮塵等很難準確計算得出。為了簡化預測過程，也可以假設(shè)電池內(nèi)部的溫度與外部環(huán)境溫度相等。光伏電池組件的出力模型太陽能電池是太陽能光伏發(fā)電系統(tǒng)中最基本的元件，主要分為多晶娃、非晶硅、薄膜電池和單品娃等。目前，單晶電池及多晶電池的用量是最大的，而非晶電池主要用于部分較小系統(tǒng)，如計算器輔助電源等。國產(chǎn)晶體娃電池效

32、率在10%-13臉右，國外同類產(chǎn)品效率約12%-14%設(shè)P時刻的溫度是Tp,那么光伏電池的轉(zhuǎn)換效率可以用公式表示：刀=01-r(Tp-Tr)。其中,r表示參考溫度(298K),40表示在參考溫度下光伏電池的轉(zhuǎn)換效率;r表示光伏電池的溫度系數(shù)，值通常取。光伏系統(tǒng)輸出功率和太陽福照度成正比，而每塊電池組件的輸出通常是由功率計量，因此t時刻的功率輸出可進一步表示為:P=I*A*v其中:A表示光伏電池的面積，單位為平方米；”表示光伏電池轉(zhuǎn)換效率；I表示光伏板斜面上受到的太陽轄照強度，單位為千瓦每平方米。如果t時刻有n塊光伏板工作，總功率輸出則為nP03功率預測基本方法及特點基于支持向量機回歸的預測方法

33、支持向量機方法及其特點支持向量機是最先進的機器學習理論之一在各領(lǐng)域得到廣泛應用。支持向量機將數(shù)據(jù)點由輸入空間映射到更揭分類的特征空間，并且使分隔超平面之間的距離最遠，而每個類別中各點的距離最近。映射由核函數(shù)隱式的決定，核函數(shù)用來計算特征空間內(nèi)數(shù)據(jù)點之間的內(nèi)積。正是由于使用了“核技術(shù)”，SVM避免了維數(shù)災難，即特征空間的維度不影響SVMHI練和測試的計算復雜度。然而，考慮到核函數(shù)是輸入空間中的二維函數(shù)，訓練和測試的計算復雜度依賴于輸入空間的維度。支持向量機是一個統(tǒng)計學和計算機科學中的概念，為一些能夠進行分析數(shù)據(jù)和模式識別的監(jiān)督式學習方法而提出，用于進行分類和回歸分析。支持向量機在高維或無限維的空

34、間構(gòu)造一個或一組超平面，這些超平面可以用來進行分類、回歸或其他工作。直觀地講，一個好的劃分是通過使超平面與各分類最近的訓練數(shù)據(jù)點之間距離最大來實現(xiàn)的，因此，通常距離越遠，分類器產(chǎn)生的誤差就越小。然而，初始問題可能是一個有限的多維空間，在這個空間內(nèi)，通常集合不是線性可分的。因此，提出了將初始有限多維空間映射到更高維空間的方法，假設(shè)在這個空間里劃分變得更容易。為了保持計算負荷的合理性，需要設(shè)計合適的映射方法，以此來保證從變量的角度看，能夠容易的計算出原空間中點的內(nèi)積，通過選擇合適的核函數(shù)K（x,y）的方式可以解決這個問題28。高維空間中的超平面定義為一組點的集合，這些點的內(nèi)積向量在這個空間內(nèi)是恒定

35、的。定義超平面的向量可以選擇數(shù)據(jù)庫中特征向量參數(shù)的線性組合。使用這樣的一個超平原特征空間中映射到超平面上的點X被定義為如下式：aikXj,Xconstant注意:如果y離X越遠,K（x,y）隨之變小，則每個元素確定了測試點x與對應的數(shù)據(jù)基點Xj的接近程度。這樣,上面的核函數(shù)的總和可以用來確定每個測試點與源于同一個或者另一個待分類集合的數(shù)據(jù)點的相對接近程度。支持向量機的推廣性能（估計精度）決定于變換參數(shù)和核函數(shù)參數(shù)的設(shè)置。事實上，支持向量機模型的復雜性（包括推廣性）依賴于三個參數(shù)的共同作用，這增加了選擇最佳參數(shù)的復雜性。選擇特定的核函數(shù)類型和核函數(shù)參數(shù)通常要基于應用領(lǐng)域的知識，并且要反映訓練數(shù)據(jù)

36、輸入值的分布情況。支持向量機可以用于避免在高維特征空間使用線性函數(shù)的困難，而且最優(yōu)化問題可以轉(zhuǎn)換為對偶的凸二次規(guī)劃問題，這也是支持向量機算法的一個優(yōu)點。支持向量機（SVM有如下幾個特點：1 .SVMffl內(nèi)急核函數(shù)代替高維空間的非線性映射；非線性映射是SVMJ法的理論基礎(chǔ),SVM利用內(nèi)積核函數(shù)代替向高維空間的非線性映射；2 .對特征空間劃分的最優(yōu)超平面是SVM的目標，最大化分類邊際的思想是SVM方法的核心；3 .支持向量是SVM勺訓練結(jié)果，在SVg類決策中起決定作用的是支持向量；4 .SVM是一種有堅實理論基礎(chǔ)的新穎的小樣本學習方法。5 .它基本上不涉及概率測度及大數(shù)定律等，因此不同于現(xiàn)有的統(tǒng)

37、計方法。7.從本質(zhì)上看，它避開了從歸納到演繹的傳統(tǒng)過程，實現(xiàn)了高效的從訓練樣本到預報樣本的“轉(zhuǎn)導推理”，大大簡化了通常的分類和回歸等問題；6 .SVM的最終決策函數(shù)只由少數(shù)的支持向量所確定，計算的復雜性取決于支持向量的數(shù)目，而不是樣本空間的維數(shù)，這在某種意義上避免了“維數(shù)災難”；7 .少數(shù)支持向量決定了最終結(jié)果，這不但可以幫助我們抓住關(guān)鍵樣本、“剔除”大量冗余樣本，而且注定了該方法不但算法簡單，而且具有較好的“魯棒”性。與此同時這種方法也存在有兩個不足：算法對大規(guī)模訓練樣本難以實施由于SVM1借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計算（m為樣本的個數(shù)），當m數(shù)目很大時該矩陣

38、的存儲和計算將耗費大量的機器內(nèi)存和運算時間。針對以上問題的主要改進有有的SMCM法、的SVM等的PCGC張學工的CSVMZ及等的SO曲法2,用SVM解決多分類問題存在困難經(jīng)典的支持向量機算法只給出了二類分類的算法，而在數(shù)據(jù)挖掘的實際應用中，一般要解決多類的分類問題。可以通過多個二類支持向量機的組合來解決。主要有一對多組合模式、一對一組合模式和SVM*策樹；再就是通過構(gòu)造多個分類器白組合來解決。主要原理是克服SVM固有的缺點，結(jié)合其他算法的優(yōu)勢，解決多類問題的分類精度。如：與粗集理論結(jié)合，形成一種優(yōu)勢互補的多類問題的組合分類器。支持向量機回歸算法及特點支持向量機不但可以應用于分類問題，還可以解決

39、回歸問題。VladimirVapnik,HarrisDrucker,ChrisBurges,LindaKaufman和AlexSmolal996年提出了用于回歸分析的SVM,叫做支持向量回歸29（supportvectorregression,SVR）,由上面描述的支持向量分類演變而來。因為到分隔邊緣距離很遠的訓練樣本點不會對用來建立模型的成本函數(shù)造成影響，所以支持向量分類模型僅依賴于訓練數(shù)據(jù)集的一個子集類似地，由于成本函數(shù)忽略了任何預測模型附近的訓練數(shù)據(jù)（使用閾值），支持向量回歸模型也僅僅依賴訓練數(shù)據(jù)集的一個子集。支持向量分類和回歸問題中一個重要的觀點：使用訓練點的較小子集來解決問題可產(chǎn)生極

40、大的計算量優(yōu)勢。使用顯示密集損失函數(shù)，保證了全局最小值的存在，同時也確保了可靠的泛化邊界的最優(yōu)化。支持向量機的推廣性能（估計精度）決定于變換參數(shù)（c,）和核函數(shù)參數(shù)的設(shè)置。事實上，支持向量機模型的復雜性（包括推廣性）依賴于三個參數(shù)的共同作用，這增加了選擇最佳參數(shù)的復雜性。選擇特定的核函數(shù)類型和核函數(shù)參數(shù)通常要基于應用領(lǐng)域的知識，并且要反映訓練數(shù)據(jù)輸入值（X）的分布情況。參數(shù)C決定模型復雜度和最優(yōu)化方程能夠容忍誤差大于的程度之間的平衡。例如：如果C無窮大，那么目標變?yōu)閮H僅將經(jīng)驗風險最小化，不考慮優(yōu)化方程中模型復雜度的部分。參數(shù)控制延遲區(qū)域的寬度，用于適應訓練數(shù)據(jù)。f的值能夠影響用來構(gòu)造回歸函數(shù)的

41、支持向量的個數(shù)。值越大，選擇的支持向量越少。另一方面，f值越大，得到的估計結(jié)果越平滑。因此。和的取值在不同的方面影響著模型的復雜度。支持向量機可以用于避免在高維特征空間使用線性函數(shù)的困難，而且最優(yōu)化問題可以轉(zhuǎn)換為對偶的凸二次規(guī)劃問題，這也是支持向量機算法的一個優(yōu)點。在回歸問題中損失函數(shù)用于懲罰超過P閾值的錯誤。這種懲罰函數(shù)通?？梢酝茖С鰶Q策規(guī)則的稀疏矩陣表示，并提供有效的算法?；趶较蛏窠?jīng)網(wǎng)絡(luò)的預測方法神經(jīng)網(wǎng)絡(luò)預測方法基礎(chǔ),以下簡稱NN）下圖表示出了作為人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork的基本單元的神經(jīng)元模型，它有三個基本要素：輸入信目（1） 一組連接（對應于生物神經(jīng)

42、元的突觸），連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激活，為負表示抑制。（2） 一個求和單元，用于求取各輸入信號的加權(quán)和（線性組合）。（3） 一個非線性激活函數(shù)，起非線性映射作用并將神經(jīng)元輸出幅度限制在一定范圍內(nèi)（一般限制在（0,1）或（-1,1）之間）。除單元特性外，網(wǎng)絡(luò)的拓撲結(jié)構(gòu)也是NN的一個重要特性。從連接方式看NN主要有兩種。（4） 前饋型網(wǎng)絡(luò)各神經(jīng)元接受前一層的輸入，并輸出給下一層，沒有反饋。結(jié)點分為兩類，即輸入單元和計算單元，每一計算單元可有任意個輸入，但只有一個輸出（它可耦合到任意多個其它結(jié)點作為其輸入）。通常前饋網(wǎng)絡(luò)可分為不同的層，第i層的輸入只與第i-1層輸出相連，輸入和輸

43、出結(jié)點與外界相連，而其它中間層則稱為隱層。（5） 反饋型網(wǎng)絡(luò)所有結(jié)點都是計算單元，同時也可接受輸入，并向外界輸出。NN的工作過程主要分為兩個階段：第一個階段是學習期，此時各計算單元狀態(tài)不變，各連線上的權(quán)值可通過學習來修改；第二階段是工作期，此時各連接權(quán)固定，計算單元狀態(tài)變化，以達到某種穩(wěn)定狀態(tài)。從作用效果看，前饋網(wǎng)絡(luò)主要是函數(shù)映射，可用于模式識別和函數(shù)逼近。反饋網(wǎng)絡(luò)按對能量函數(shù)的極小點的利用來分類有兩種：第一類是能量函數(shù)的所有極小點都起作用，這一類主要用作各種聯(lián)想存儲器；第二類只利用全局極小點，它主要用于求解最優(yōu)化問題。多層前饋網(wǎng)絡(luò)中，第一層稱為輸入層，用以輸入已知測量值。中間一層稱為處理層或

44、隱單元層，單元個數(shù)適當選取，對于它的選取方法，有一些文獻進行了討論，但通過試驗來決定，或許是最好的途徑。最上面一層稱為輸出層，用以輸出與每一組輸入數(shù)據(jù)相對應的分類信息。對于一個多層網(wǎng)絡(luò)，如何求得一組恰當?shù)臋?quán)值，使網(wǎng)絡(luò)具有特定的功能，在很長一段時間內(nèi)，曾經(jīng)是使研究工作者感到困難的一個問題，直到1985年，美國加州大學的一個研究小組提出了所謂向后傳播算法(Back-Propagation),使問題有了重大進展，這一算法也是促成人工神經(jīng)網(wǎng)絡(luò)研究迅猛發(fā)展的一個原因。徑向神經(jīng)網(wǎng)絡(luò)特點徑向基(RBF)神經(jīng)網(wǎng)絡(luò)是一種局部逼近的神經(jīng)網(wǎng)絡(luò)。徑向基神經(jīng)網(wǎng)絡(luò)具有三層結(jié)構(gòu)，第一層由數(shù)個感知單元組成，將網(wǎng)絡(luò)和外界環(huán)境連

45、接起來。第二層是隱含層，其執(zhí)行的是一種用于特征提取的非線性變換，然后作用函數(shù)對輸入信號在局部產(chǎn)生響應；第三層為網(wǎng)絡(luò)的輸出層，而且網(wǎng)絡(luò)的輸出是線性的，基本結(jié)構(gòu)如圖所示，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)隱層節(jié)點的數(shù)目可以根據(jù)需要確定，不用專門去選取，也克服了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和局部最小等缺點，所以更適用于實時監(jiān)控的場合。徑向基神經(jīng)網(wǎng)絡(luò)具有很強的魯棒性和記憶能力，而且具有較強的非線性映射能力和自學習能力，因此有很大的應用市場。其主要優(yōu)點有以下幾點：(1)它具有唯一最佳逼近的特性且無局部極小問題存在。(2)具有較強的輸入和輸出映射功能，而且理論上可以證明，徑向基神經(jīng)網(wǎng)絡(luò)是完成映射功能的最優(yōu)

46、網(wǎng)絡(luò)。(3)網(wǎng)絡(luò)的輸出與連接間的權(quán)值與呈線性關(guān)系。(4)分類能力好。(5)網(wǎng)絡(luò)在學習過程中，收斂速度較快。小波分析方法小波相關(guān)理論基礎(chǔ)小波變換32的基本思想是以一簇函數(shù)去表示和逼近一個信號或函數(shù)，即將時問信號展開為這一簇函數(shù)的線性迭加。這一簇函數(shù)稱為小波函數(shù)族(系)，它是通過一個基本小波函數(shù)的不同尺度的平移和伸縮構(gòu)成的。基本小波函數(shù)是一種持續(xù)時間很短的波，但并不是任意持續(xù)時間很短的波都是小波。小波具有良好的時域局部化的性質(zhì)，正是由于基本小波的這個特性，使得小波變換適用于對非平穩(wěn)信號的時頻分析。小波變換在時頻域下的局部化特性反應出小波變換的尺度參數(shù)a和位移參數(shù)b共同的變化，不僅改變了連續(xù)小波函數(shù)

47、的頻譜結(jié)構(gòu)，也改變了小波窗口大小與形狀。這一特點決定了小波變換可以對頻率有著自適應的特性，可以充分反映信號的局部情況。Mallat算法是一種信號的分解方法。S為原始的輸入信號，通過兩個互補的濾波器產(chǎn)生A和D兩個信號，A表示信號的近似值(approximations),D表示信號的細節(jié)值(detail)，在許多應用中，信號的低頻部分是最重要的，而高頻部分起一個頻率較高的部分。在小波分析中，近似值是大的縮放因子產(chǎn)生的系數(shù)，表示信號的低頻分量。而細節(jié)值是小的縮放因子產(chǎn)生的系數(shù)，表示信號的高頻分量。由此可見，離散小波變換可以被表示成由低通濾波器和高通濾波器組成的一棵樹。原始信號通過這樣的一對濾波器進行

48、的分解叫做一級分解。信號的分解過程可以疊代，也就是說可進行多級分解。如果對信號的高頻分量不再分解，而對低頻分量連續(xù)進行分解，就得到許多分辨率較低的低頻分量，分解級數(shù)的多少取決于要被分析的數(shù)據(jù)和用戶的需要。Mallat算法Cj11處解算法：若將C0理解為待分解的離散信號，根據(jù)分解算法有c1Hcj、dj1Gcj；其中J表示最大的分解層數(shù)，H為低通濾波器，G為高通濾波器。Cj,dj分別為原始信號在分辨率2-j下的低頻信號和高頻信號，是原始信號在相鄰不同頻率段上的成份。最終將待分解信號co分解為dd2dj和c,該分解算法利用二抽取，使每層分解比分解前的信號數(shù)據(jù)長度減半，而總輸出數(shù)據(jù)長度與輸入數(shù)據(jù)c0長

49、度保持一致。信號個數(shù)的減少對預測是不利的，但是，經(jīng)Mallat算法分解后的信號可采用重構(gòu)算法進行二插值重構(gòu)。(2)重構(gòu)算法：QHcj1Gdj1,其中j=J-1,J-2,0;H,G是對偶算子采用上式對小波分解后的信號進行重構(gòu)可以增加信號個數(shù)。對d1,d2.,d和J分別進行重構(gòu)，則有XDiD2.DJCj,在Mallat重構(gòu)算法中利用二插值，即在輸入數(shù)據(jù)序列每相鄰數(shù)據(jù)之間補一個零，以使數(shù)據(jù)長度增加一倍，從而恢復二抽取前的數(shù)據(jù)長度。利用Mallat算法對時間序列信號去噪，首先要識別出信號的哪一部分或哪些部分包含噪聲，然后舍棄這些部分進行信號重構(gòu)。當越來越多的高頻信息從信號中濾去時，相應的低頻部分變得越

50、來越“純潔”，即所含噪聲越來越小。同時也說明Mallat算法是非平穩(wěn)時間序列時頻分析的有效工具。逐日太陽輻照量時間序列的小波分解本文引用的逐日太陽輻照量數(shù)據(jù)為美國可再生能源實驗室數(shù)據(jù)中心對美國國內(nèi)某地的太陽輻照量實測數(shù)據(jù)進行建模，按時間順序選用前255個觀測點的記錄數(shù)據(jù)作為訓練樣本，其后的110個觀測點作為測試樣本。按照上面的方法進行小波分解。依據(jù)小波分解原理，利用MATLA歐件對太陽輻照量時間序列進行分解。本文給出第一季度太陽輻照量的小波分解結(jié)果。采用緊支撐的db3小波基對太陽輻照量時間序列進行3級分解，對分解后得到的低頻逼近信號和各高頻細節(jié)信號分別進行單支重構(gòu)。遞推最小二乘法遞推最小二乘法

51、是用于參數(shù)估計的數(shù)學方法，它使數(shù)學模型在誤差平方和最小的意義上擬合實驗數(shù)據(jù)，克服了用作圖法求直線公式時圖線繪制引入的誤差，因而結(jié)果更精確。在研究兩個變量x、y之間的關(guān)系時，通常可以得到一系列成對的數(shù)據(jù)，將這些數(shù)據(jù)描繪在x-y直角坐標系中，它們大致分布在一條直線上，令這條直線方程如式：yi=ao+aixi,式中，其中，aoai是參數(shù)，要確定。應用最小二乘法原理，即實測值yi與計算值y的離差（yi-y）的平方和最小作為“優(yōu)化判據(jù)”，這一方法稱為遞推最小二乘法。用最小二乘法估計參數(shù)時，要求觀測值yi的偏差的加權(quán)平方和為最小。遞推最小二乘算法是在建模和仿真中廣泛使用的一種方法33-34oLiung在1

52、983年詳細介紹了遞推最小二乘算法（RLS。為了克服數(shù)據(jù)飽和現(xiàn)象，人們曾提出兩種改進方法，遺忘因子法和限定記憶法；為了在有色噪聲的情況下，更好地辨識系統(tǒng)模型，出現(xiàn)了廣義最小二乘法（GLS、輔助變量法（IV）、增廣最小二乘法（ELS）、多級最小二乘法（MLS等。到目前為止，遞推最小二乘算法已被廣泛地應用于控制系統(tǒng)的參數(shù)辨識、信號處理、圖像處理、實際工業(yè)系統(tǒng)等領(lǐng)域，并且在應用中提出了諸多改進的算法。Solarrsjiatian-r-rJiApnoxffiaiiQnDDerflcto4SAa忑儲福白IGD1KJK29010D1522M250Cte（加闌此ens-qV.-23=6口/xA/wwwwwW

53、x/VWVvWvWvr-ana妙I(lǐng)QDhM2K2DQ390TODf-silafytlhertSl冷|1Y歲3iTf/yxAA/WWWWWWVWWWWW.1Q0Q:-a5010D1*故29。300劃打刈出那圖3.2一季度太陽輻照旱的小波分制圖相似日選取算法聚類分析就是把沒有類別標記的樣本集按某種準則劃分成若干個子集(類)，使相似的樣本盡可能歸為一類，而不相似的樣本盡可能劃分到不同的類中。聚類就是按照一定的要求和規(guī)律對事物進行區(qū)分并分歸類的過程，在這一過程中把事物間的相似性作為類屬劃分得準則。通常把研究和處理給定對象的分類的數(shù)學方法稱為聚類分析(ClusteringAnalysis)35-36。聚

54、類分析的目的就是把相似的對象或事物歸成類。普通聚類方法主要有以下幾種：1 .加入法：將樣本依次序一個一個輸入，每次輸入的樣本歸入當前聚類中相應的位置上，樣本全部輸入后，即得到聚類圖。2 .系統(tǒng)聚類法：首先將n個樣本分成n個類別，每個類別里有一個樣本，然后將特性最相近的二類歸為一個新的類，這樣就得到n-1類。再從n-1類中找出特性最接近的二類又歸為一類，這樣就得到了n-2，如此反復進行歸類，最后所有樣本歸為一類。這個歸類過程可以用一張聚類法圖來描繪，因此可以從聚類法圖中確定我們所需的類和每類樣本。3 .動態(tài)聚類法：首先將n個樣本隨機分成若干類，然后確定一個最優(yōu)聚類準則，再用最優(yōu)聚類準則進行調(diào)整，

55、一次比一次接近最優(yōu)，直至達到最優(yōu)準則標準為止，停止調(diào)整，最終n個樣本分類完畢。4 .分解法：首先將所有樣本歸在同一類，然后用一定的最優(yōu)聚類準則將其分成二類，再用同樣的最優(yōu)準則將此二類各自分成二類，并從中選出使目標函數(shù)最優(yōu)者。這樣二類分成了三類，如此分下去，一直分到每類只有一個樣本。4主要功率預測模型及其簡要分析光伏發(fā)電預測模型的建立隨著光伏發(fā)電系統(tǒng)容量的不斷擴大，光伏發(fā)電預測技術(shù)對于減輕光伏發(fā)電系統(tǒng)輸出電能的隨機性對電力系統(tǒng)的影響具有重要意義。光伏發(fā)電預測的核心問題是利用現(xiàn)有的歷史數(shù)據(jù)(歷史發(fā)電量數(shù)據(jù)和氣象數(shù)據(jù)等),采用適當?shù)臄?shù)學預測模型對預測日的發(fā)電量進行估計，因此有效地進行發(fā)電預測要具備兩

56、方面的條件一是歷史數(shù)據(jù)信息的可靠性，二是預測方法和相應的軟件。由于現(xiàn)在光伏監(jiān)控系統(tǒng)數(shù)據(jù)庫的逐步建立以及氣象部門預測水平的提高，各種歷史數(shù)據(jù)的獲取已不再困難，因此發(fā)電預測的核心問題是預測模型的準確性，比如其中一個例子，利用神經(jīng)網(wǎng)絡(luò)對特定的對象建模只需要一組輸入輸出樣本，無需輸入輸出變量間具有確定的關(guān)系，因而大大簡化了建模過程。但利用神經(jīng)網(wǎng)絡(luò)建模并不是說無需對對象進行基本了解，對于諸如發(fā)電預測這樣難以用常規(guī)模型解決的復雜問題建立神經(jīng)網(wǎng)絡(luò)模型，基本知識是不可缺少的，對于模型輸入輸出變量的選擇有著重要意義，除了實際對象的特性外，神經(jīng)網(wǎng)絡(luò)模型的精度還受到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，樣本的選取以及數(shù)據(jù)的預處理方式等諸多

57、細節(jié)因素的影響，建模過程中需要對這些細節(jié)加以解決，而實施結(jié)果的如何通常決定了一個模型的精度。尤其是一些模型的的自組織、自適應、自學習功能，從而在復雜非線性對象的辨識和控制中得到廣泛的應用。影響預測模型精度的因素分析在光伏發(fā)電預測中，需要考慮的環(huán)境因素很多，如太陽輻照度、陣列的轉(zhuǎn)換效率、安裝角度、日類型、溫度以及其他一些隨機因素都會對光伏發(fā)電量產(chǎn)生影響35,因此在選擇預測模型的輸入變量時考慮的是一些與光伏發(fā)電關(guān)聯(lián)性較強的確定性因素。(i)歷史的相關(guān)發(fā)電量數(shù)據(jù)在光伏發(fā)電系統(tǒng)的歷史發(fā)電量時間序列中,所有的發(fā)電量時間序列來自于同一套發(fā)電系統(tǒng)，數(shù)據(jù)自身就包含了光伏發(fā)電系統(tǒng)的系統(tǒng)信息，解決了光伏陣列的安裝位置隨機性和光伏陣列的使用時間等對轉(zhuǎn)換效率的影響36,因此，以過去幾年和現(xiàn)在的歷史發(fā)電數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)預測模型，進而預測未來的發(fā)電數(shù)據(jù)的預測方法，比光伏發(fā)電的間接預測法有著明顯的準確性。(2)日類型對光伏發(fā)電量的影響除了歷史的相關(guān)發(fā)電量數(shù)據(jù)，日類型的變化對于光伏發(fā)電系統(tǒng)發(fā)電量的影響也是相當顯著的37；文獻38中，單位面積的光伏陣列輸出功率為psSI10,005(t025),其中轉(zhuǎn)換效率；S陣列面積m;I太陽輻照強度；t0大氣溫度。轉(zhuǎn)換效率和陣列面積等參數(shù)己經(jīng)隱含在歷史發(fā)電數(shù)據(jù)中，但太陽輻照強度和大氣溫度的變化在輸入變量的選擇中必須考慮。隨著目前氣象部門天氣預測水平的不