BP-马尔科夫组合预测方法在光伏发电量预测中的应用

文章编号：2095-6835（2023）19-0031-03光伏发电系统功率预测方法的研究现状＊夏权（兰州资源环境职业技术大学，甘肃兰州730021）摘要：随着煤炭、石油等化石燃料资源紧张及环境保护等理念的提出，很多国家越来越关注太阳能等可再生资源的开发和应用，中国也积极地开发利用太阳能进行发电，光伏发电系统正是利用太阳能电池将太阳能直接转换成电能的发电方式，并凭借安装简单、无污染、易维护等优势，受到了社会的广泛关注和应用。

但光伏发电系统很容易受到光照强度、天气类型、大气温度、湿度等外部环境的影响，造成发电输出功率出现不稳定性、间歇性等问题，给电网带来一定程度的影响，因此光伏发电系统功率预测成为目前电力部门和相关领域的主要研究方向。

对光伏发电系统、光伏发电预测的意义等进行了介绍，对光伏发电系统输出特性进行了分析，研究了光伏发电系统输出功率预测方法。

关键词：光伏发电系统；功率预测；预测方法；输出特性中图分类号：TM615文献标志码：A DOI：10.15913/ki.kjycx.2023.19.010光伏发电系统作为一种新型发电系统，利用太阳能电池将太阳能转化为电能，可以有效减少对能源的浪费，而且太阳能的可再生性、环保性等优势还可以有效缓解环境问题。

近年来，太阳能以无污染、环保性、可再生、安全可靠等优势成为世界的重点关注方向，也是目前很多国家的主要应用能源。

光伏发电系统也因安装维护便捷、低排放等优势受到广泛应用，是目前较有潜力的发电系统。

但光伏发电系统在转换电能的过程中，会受到很多外界因素的影响，具有一定的波动性、周期性，影响其正常运行，为了缓解这些外界因素的影响，建立光伏发电系统功率预测系统至关重要。

本文介绍了光伏发电系统、光伏发电预测的意义，分析了光伏发电系统的输出特性，研究分析光伏发电系统输出功率预测方法，阐述这些预测方法的特征，希望给相应的研究提供理论依据。

1光伏发电系统简介及光伏发电预测的意义1.1光伏发电系统简介光伏发电系统是利用太阳能电池将太阳能直接转换成电能的一种发电系统，利用的是光生伏特效应，由太阳能电池、蓄电池、控制器、逆变器等主要部件组成，具有较高的可靠性、使用寿命长、不污染环境等优势，并且能够独立发电，能够并网运行，受到了各个企业的青睐，有着较为广阔的发展空间。

函数(初始分布)就可以通过下式建立所有时刻所有 状态的概率分布函数： pn +1 = Ppn
0 400 800 Edn/(W⋅h/m2) 1 Байду номын сангаас00
(4)
通过马尔可夫链的模拟完成太阳能辐射在研 究时段的预测后，就可以将生成的太阳辐射量代入 光伏系统逆变模型。当光伏阵列的化学成分、工作 温度、周围的环境一定时，其输出功率和辐射总量
Vol. 35 No. 1
Eo 也呈线性关系[15]。 通过光伏系统逆变模型的运算
即可得到最终的光伏系统输出功率。 1.2 马尔可夫光伏功率预测模型 在电力系统中更关注功率与电量，应用上述模 型的辐射–功率特性，可通过马尔可夫链直接预测 光伏系统的输出功率。 综上所述， 辐射总量 E0 可由 离散的 Edn 和 Edh 组成的双变量马尔可夫随机过程 表示， 而光伏系统输出功率又可由辐射总量 E0 线性 表示，那么可推出光伏系统输出功率也是一个马尔 可夫链。 利用这一结论，本文可以直接通过对已有的光 伏系统运行数据(历史输出功率)的统计来预测未来 某时段光伏系统的输出功率。前提是在天气、地理 位置、温度、光伏电池的化学成分不变或变化不大 的情况下进行预测。因为一旦考虑到这些因素的变 化，将破坏光伏系统输出功率和 Edn 的线性关系， 导致此模型不再适用。但考虑到已建成的光伏电 池、地理位置已经固定，且运行数据亦可按不同气 候条件分别统计，分别预测，这样就可避免模型失 效带来的预测误差。
输出功率的波动性对电力系统运行与控制的影响 日益引起关注，如何更加准确地预测光伏电站输 出功率，进而采取有效的应对措施是学术界和工 程界关注的焦点[1]。 对预测光伏电站输出功率的研 究和应用可归纳为 2 类：一类方法是基于太阳能 辐射强度的预测模型。首先建立太阳辐射模型， 根 据当地的气 候历史数据 得到太阳辐 射的预 测 值，然后再对逆变过程进行建模，最终得到光伏 系统输出功率预测值，如文献 [2-6]。这类方法依 赖于详细的气象数据，要求预测结果越精确，模 型就越复杂，所需的历史气象数据量和数据类型 也越多，这使预测过程十分繁琐，不利于实际应 用。另一类预测方法是直接对光伏电站输出功率 进行预测。实际并网运行光伏电站所采用的光伏 面板、地理位置、周边环境及逆变系统都已经确 定，通过对历史运行数据的统计进行合理建模， 可直接预测光伏系统输出功率，省去大量的气象 统计过程和复杂的 2 次甚至多次建模过程，简化 了预测过程。文献 [7-8]提出的基于马尔可夫链建 立转移矩阵来预测 1 d 之内某地光伏系统出力的方 法，具有一定的代表性和实用性。不过在实际建 模中，上述方法忽略了光伏电站输出功率随着日 升日落有一个上升–保持–下降的基本过程，将 1 d 内所有状态转移统计入同一个转移矩阵内，视为 太阳能在 1d 中每时每刻都有相同的转移趋势。而 且，由于 1 d 之内的功率预测全部使用同一个转移 矩阵，随着转移次数的增加，最终达到系统过程 的平稳状态而致使预测失效。

BP-马尔科夫组合预测方法在光伏发电量预测中的应用
姜侨娜;陈中
【期刊名称】《电力需求侧管理》
【年(卷),期】2011(13)6
【摘要】为提高光伏发电量预测的精度,提出一种以马尔科夫方法进行修正误差的BP神经网络预测模型,模型契合光伏发电功率特点,兼具BP神经模型及马尔可夫模型优点,既能利用较少数据建模,预报总体趋势,又适合于波动性较大的随机序列预报.首先介绍基本原理和算法,在此基础上阐述模型建立的具体过程,最后运用该模型对徐州协鑫光伏电站进行预测,结果表明新建模型预报精度高于BP神经网络模型,且该模型简单、计算量小,具有较好的可行性.
【总页数】4页(P21-24)
【作者】姜侨娜;陈中
【作者单位】东南大学电气工程学院,南京210096;东南大学电气工程学院,南京210096
【正文语种】中文
【中图分类】TM615;F407.61
【相关文献】
1.太阳能光伏并网系统发电量预测方法研究 [J], 丛建鸥
2.基于历史数据的光伏发电量预测方式的组合应用 [J], 张凤珠
3.分布式光伏发电系统发电量预测方法 [J], 王卫卫;徐光辉
4.太阳能光伏发电量预测方法综述 [J], 万贝;姚彦鑫;黄雅琦
5.基于LSTM神经网络的中长期光伏电站发电量预测方法研究 [J], 方鹏;高亚栋;潘国兵;马登昌;孙鸿飞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进BP神经网络的光伏发电系统输出功率短期预测模型基于改进BP神经网络的光伏发电系统输出功率短期预测模型摘要：近年来，光伏发电系统作为一种绿色能源发展迅猛，受到了广泛关注。

预测光伏发电系统的输出功率具有重要意义，可以为电力系统的运行调度和能源管理提供参考。

本文通过研究改进的BP神经网络模型，提出了一种基于该模型的光伏发电系统输出功率短期预测模型。

实验证明，改进的BP神经网络模型能够有效地提高光伏发电系统输出功率的预测精度和稳定性。

第一章绪论1.1 研究背景随着环境保护意识的不断增强和可再生能源的发展，光伏发电作为一种清洁能源逐渐受到人们的关注。

预测光伏发电系统的输出功率对于电力系统的运行调度和能源管理具有重要意义。

1.2 研究目的本文旨在提出一种有效的光伏发电系统输出功率短期预测模型，通过改进BP神经网络模型，提高预测精度和稳定性。

第二章相关理论介绍2.1 光伏发电原理本节介绍光伏发电系统的工作原理和组成结构。

2.2 BP神经网络模型本节介绍经典BP神经网络模型的原理和结构。

2.3 改进的BP神经网络模型本节介绍改进的BP神经网络模型，包括权重更新算法和激活函数的改进方法。

第三章光伏发电系统输出功率短期预测模型设计3.1 数据采集与预处理本节介绍采集到的光伏发电系统输出功率数据的预处理方法，包括数据清洗、平滑和归一化等。

3.2 模型输入特征选择本节介绍选择模型输入特征的方法，包括历史功率数据、气象数据和时间特征等。

3.3 模型结构设计本节详细介绍改进的BP神经网络模型的结构设计，包括输入层、隐藏层和输出层的神经元数量和连接权重的确定。

第四章实验与结果分析4.1 实验数据本节介绍实验采集到的光伏发电系统输出功率数据。

4.2 实验设置本节介绍实验中使用的BP神经网络模型和改进方法的参数设置。

4.3 实验结果分析本节分析实验结果，包括预测精度和稳定性的评估以及与其他方法的比较。

第五章结论与展望5.1 结论本文提出了一种基于改进BP神经网络的光伏发电系统输出功率短期预测模型。

ARIMA—小波分析组合预测方法在光伏发电量预测中的应用摘要：光伏发电受外部环境因素的影响，具有波动性和间歇性，因此，加强光伏阵列发电预测的研究对于电网安全经济调度有重要意义。

为了提高光伏发电量预测的精度，以尽可能达到工程应用的要求，本文提出一种以小波分析的消噪原理对ARIMA(Autoregressive Integrated Moving A verage Model)模型进行优化修正的组合预测方法，最后运用该模型对武汉新城国际博览中心光伏电站采集的数据进行实验，实验误差结果表明，该模型简单，计算量小，具有较好的可行性，而且用该模型预测能够达到工程应用上的要求。

关键词：光伏发电量预测；时间序列；自回归移动平均模型；小波分析Application Research On Photovoltaic Power Generation Prediction Based On ARIMA-Wavelet Analysis combined forecasting method ABSTRACT:KEY WORDS: photovoltaic power generation prediction; time series; Autoregressive Integrated Moving A verage Model; Wavelet Analysis1 引言随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。

光伏发电作为一种重要的可再生能源形式，它是目前可再生能源技术中最具规模化开发条件和商业化发展前景的发电方式之一，越来越受到人们的关注。

目前大规模的光伏发电系统已经在国内外大量建成，但是由于光伏发电系统的发电量变化是一个非平稳的随机过程，光伏发电系统相对于大电网将是一个不可控源，其发电随机性会对大电网造成冲击。

通过日发电量预测，可以优化新能源与传统能源之间的配合，提高电网运行经济性。

基于BP神经网络的光伏发电短期出力预测基于BP神经网络的光伏发电短期出力预测1. 引言随着能源需求的不断增长以及环境污染问题的日益严重，可再生能源的利用越来越受到关注。

光伏发电作为一种可再生能源的主要形式之一，具有清洁、可再生、零排放等特点，已经得到了广泛的应用和发展。

光伏发电的关键问题之一是其出力的波动性和不稳定性，这给电网的平衡和稳定运行带来了一定的挑战。

因此，对光伏发电出力进行准确预测，对于电网运行和电力市场的管理具有重要意义。

2. 光伏发电出力预测的研究现状光伏发电出力预测是一个复杂的问题，受到多种因素的影响，例如天气条件、日照强度、温度等。

传统的光伏发电出力预测方法主要依靠统计分析和数学建模，但在预测准确性和稳定性方面存在一定的局限性。

近年来，随着人工智能和机器学习技术的发展，基于BP神经网络的光伏发电出力预测方法逐渐成为研究热点。

3. BP神经网络的原理和基本步骤BP神经网络是一种经典的人工神经网络模型，具有强大的非线性建模能力和适应性。

其基本原理是通过网络的训练和调整，利用输入和输出之间的映射关系来实现预测或分类任务。

BP神经网络的基本步骤包括：输入层、隐藏层、输出层的设置，随机初始化权重和阈值，正向传播和误差反向传播算法的训练等。

4. 基于BP神经网络的光伏发电出力预测模型构建针对光伏发电出力预测问题，我们可以构建一个基于BP神经网络的预测模型。

首先，我们需要收集历史的光伏发电数据和相关的天气数据作为训练集，同时设置一些特征参数，如日照时间、云量等。

然后，将数据集进行处理和归一化处理，以保证数据的可靠性和准确性。

接下来，根据BP神经网络的原理和基本步骤，搭建一个包含输入层、隐藏层和输出层的网络结构。

通过训练集的数据进行网络的训练和优化，调整权重和阈值，使得网络的输出能够逼近实际的光伏发电出力。

最后，利用测试集对模型进行验证和评估，得到预测结果，并与实际出力进行比较。

5. 结果分析和讨论通过对光伏发电出力的预测模型进行训练和测试，我们可以得到一系列预测结果。

光伏发电功率预测方法及特点分析近年来，随着科技的不断进步，太阳能与其相关产业已经成为世界发展最快的行业之一，所以研究太阳能发电有着至关重要的意义。

做好光伏发电功率预测的有关工作，对整个电力系统的稳定运行具有重大意义。

本文主要阐述了几种功率预测的方法以及各自的特点。

标签：光伏发电；功率；预测1 基于BP神经网络的预测方法及特点BP神经网络是一种具有前向通道的多层神经网络，误差反馈方法是它的基础。

BP神经网络的学习过程一般可分为信号正向传播与误差反向反馈。

当信号开始正向流通时，信号先进入输入层，再经隐层处理，然后传入误差的反馈阶段，将输出的误差以一种固定的方式向输入层反馈，再以某种规则分给各个单元，这样各单元的误差信号就得到了，这也为将来改变单位均值提供了参考。

BP神经网络是目前为止研究最为广泛的人工神经网络模型之一。

其特点为：①BP神经网络计算能力非常强大，能够有效地调整各层神经元之间的均值，从而很好的解决非线性目标函数的逼近问题。

②BP神经网络结构简单，能在很短时间内完成均值和阈值的修正，而且网络训练时占据内存小。

正由于这些优点，BP神经网络被大量应用于模式识别、系统辨识、行为预测、信号处理和自动控制等学科和领域中。

2 小波分析方法2.1 小波分析相关理论小波变换就是用一系列基本小波函数去表示或逼近一个时间信号，而基本小波函数就是一种持续时间很短的波，但不是每一种持续时间很短的波都是小波。

小波还拥有良好的时域局部化的特性，這使小波变换对非平稳信号的时频分析非常适用。

Mallat算法是一种信号的分解方法，S为原始的输入信号，通过两个不同的滤波器产生信号近似值和细节值，在小波分析中，近似值为信号的低频分量，它表示较大缩放因子产生的系数，而细节值为信号的高频分量，它是由较小的缩放因子产生的系数。

因此，离散小波变换可以认为是由低通滤波器和高通滤波器组成的，原始信号经过这样的两个滤波器的分解叫做一级分解。

张　蔚(1977—),女,讲师,硕士,从事电力电子技术应用方面的研究。

BP 神经网络在光伏发电M PPT 中的应用张　蔚(南通大学电气工程学院,江苏南通　226019)摘　要:介绍了光伏电池的特性,提出了一种基于B P 神经网络的最大功率跟踪的控制策略,并进行了仿真试验。

结果表明,该方法能够快速、准确地跟踪光伏电池的最大功率点,具有较好的控制精度,从而提高了电能的转换效率。

关键词:光伏发电系统;最大功率跟踪;B P 神经网络中图分类号:TK 514　文献标志码:B 文章编号:167428417(2010)04200542040　引　言光伏发电系统是指能将太阳能直接转化为电能的装置。

光伏电池电流-电压输出特性是非线性的,且其输出特性受日照、温度等因素的影响较大。

另外,光伏电池的转换效率很低,价格昂贵,初期投入大,因此,有必要采用最大功率跟踪控制来提高光伏系统的效率。

目前常用的最大功率点跟踪方法有扰动观测法[1]、恒定电压法[2]、增量电导法[3]、最优梯度法[4]等。

这些方法存在控制复杂、难于实现、扰动量无法确定等问题。

本文提出了一种基于B P 神经网络的MPPT 控制方法,仿真结果表明该方法能够实现较好的控制性能。

1　光伏电池特性1.1　光伏列阵的数学模型电池分为非晶硅、多晶硅等多种类型,又因为各自制造技术的不同而表现出不同的I 2U 输出特性。

I 2U 输出特性是指在某一确定的日照强度和温度下,光伏电池的输出电压和输出电流之间的关系。

同一类型的光伏电池由于日照强度、环境温度的不同,I 2U 输出特性也不同。

图、图分别为光伏电池随光照与温度的变化曲线。

图1　光伏电池I 2U特性随辐射强度变化曲线图2　光伏电池I 2U 特性随环境温度变化曲线 由图1、图2可以看出,光伏电池的I 2U 特性与辐射强度、环境温度之间是非线性的。

光伏电池处于暗处时,其输出的伏安特性与二极管的伏安特性相似。

根据光伏电池的内部结构及其输出特性,可以把光伏电池单元等效为图3所示的电路。

基于马尔科夫链误差修正的光伏发电预测段俊东;薛静杰;栗维冰【摘要】为了提高光伏发电预测的精度,在传统BP神经网络预测模型的基础上,利用相似日算法和马尔科夫链理论对预测模型进行改进.其方法以得到的相似日数据作为预测模型的输入量,通过BP神经网络进行训练,得到初步的预测值,然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正,根据修正后的误差得到新的预测值.最后通过与传统算法得到的预测结果进行误差对比分析,结果表明,改进算法的预测精度高于传统算法,验证了该模型的有效性.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2016(035)001【总页数】6页(P112-117)【关键词】光伏发电;相似日算法;BP神经网络;马尔科夫链【作者】段俊东;薛静杰;栗维冰【作者单位】河南理工大学电气工程与自动化学院,河南焦作454000;河南理工大学电气工程与自动化学院,河南焦作454000;河南理工大学电气工程与自动化学院,河南焦作454000【正文语种】中文【中图分类】TM615随着能源和环境问题的日益突显，光伏太阳能作为一种重要的清洁可再生能源发电形式，越来越受到世界各国的关注[1-2]。

由于受到环境和气象因素的影响，光伏发电功率具有一定的波动性和随机性，因此，影响电力系统的安全、稳定运行。

对光伏发电系统发电量进行预测研究，可以预先得到发电量曲线，协调调度部门安排常规机组出力，并可以根据预测结果进行光伏出力平滑控制，从而减小大规模光伏系统的接入对电网造成的影响[3-5]。

光伏发电量预测分为直接预测和间接预测两种[6-7]。

目前多采用历史气象和发电数据进行预测的直接法(统计法)，其中基于神经网络的光伏预测方法研究较为普遍[8-9]。

其中文献[8]提出了一种结合历史数据和天气预报信息的BP神经网络预测模型。

文献[9]对不同的天气状况做出了划分，利用不同的天气状况子模型进行预测。

由于相同的天气类型条件下光伏发电功率有着很好的相似性，文献[10]提出了相似日的选取方法。

BP神经网络在光伏发电 MPPT中的应用摘要：本文主要介绍BP神经网络的结构、分类和性能参数，对BP神经网络光伏发电在MPPT中的应用进行分析，通过建立网络模型的方式，实现模型训练，对仿真结果进行分析。

结合BP神经网络模型的分析，改善神经网络。

关键词：光伏发电；BP神经网络；模型光伏发电系统是将太阳能转化成电能的一种方式，光伏电池在使用的环节中，其电流和电压的传输呈现出非线性特征。

光伏电池本身的电能转化率比较低，成本高。

因此，通过BP神经网络的应用，可以实现MPPT控制，有效的改善光伏电池的性能。

一、BP神经网络概述（一）BP神经网络的元模型人脑最基本的单元就是神经单元，通过相关的研究表明，人脑由数以万计的神经元构成，神经元之间通过突触连接起来。

生物神经网络为BP神经网络的研究奠定了坚实的基础，在对生物神经元的结构进行分析的基础上，掌握信息传递的方式，将其抽象化，从而可以展示BP神经元模型。

BP神经元在输入和输出信号中要采用非线性，神经元通过塑造函数的方式确定神经元的输入向量，其他的神经元是输入向量突触之间的连接，叫做连接权，权值可以表示神经元的激活状态。

1.BP神经元的结构BP神经网络与生物神经网络比较而言，前者与后者十分相似，是对后者的模拟。

通过对生物神经网络结构的主体模拟。

对生理结构和相关机制进行分析，涉及多学科的知识。

再对生物神经网络的功能进行模拟，掌握生物神经网络的学习和识别。

功能，通过集中模拟的方式站在功能角度上对BP神经。

网络进行研究，提升BP神经网络信息传递的效率。

1.BP神经网络的学习BP神经网络需要经过学习的过程才能具备智能性特征。

因此，BP神经网络可以在有教师学习的环境下学习，可以起到监督的效果，这种学习方式是在教师信号的引导下执行。

BP神经网络在学习中要通过网络输入信息的方式，将相应的信息输出，然后结合网络实际输出的信号进行对比，结合误差有效地调整权值。

在无教师学习的环节中，BP神经网络需要不断地输入大量的信息。

摘
要
论文题目：基于 BP 神经网络的新能源光伏发电功率预测方法研究 学生姓名：李启帆 指导教师：刘俊
摘
要
随着全球能源需求的快速增长，太阳能光伏发电得到了越来越多的应用。然而， 太阳能光伏发电受很多随机因素的影响，这使得光伏系统输出功率具有不确定性的特 点。光伏系统输出功率的精确预测对电力系统的建设规划、调度管理和运行控制有着 重要的意义。 本文首先引入统计学中的相关性分析理论，对主要气象因素与光伏系统输出功率 的相关程度做了分析，进而选出与光伏出力相关程度大的气象因素作为预测模型输入 的气象参数。 然后针对传统 BP 神经网络学习算法收敛速度慢和易陷入局部极小点的问题， 设计 了改进学习算法的 BP 神经网络光伏系统输出功率预测模型。 该模型可以根据预测日和 训练样本的具体情况确定神经网络的最优结构，在保证神经网络良好学习性能的同时 增强其泛化能力。 最后本文采用 Matlab 软件编写了基于 BP 神经网络光伏系统输出功率的预测程序， 并利用四种不同天气类型的算例对预测模型进行了测试。计算结果表明，模型在晴天 的预测结果最佳，在阴天的预测结果相对较差。本文还对比了三种最佳相似日选取方 法在四种不同天气类型下的预测结果。对比结果表明，本文所采用的基于聚类分析选 取最佳相似日的方法在多云、阴天和雨天的预测中相比其他两种方法的预测误差有所 降低，显示了本文设计的光伏系统输出功率预测模型的优越性。
ABSTRACT
As the increasing demand for global energy, photovoltaic power generation has been widely applied. The output power of photovoltaic power generation systems is influenced by many random factors, which make the output power uncertain and intermittent. Therefore, accurate power forecasting of the photovoltaic power generation systems is of great significance for the construction planning, dispatching management and operation control of the power system. Using the theory of correlation in statistics, the thesis analyzes the correlation between main meteorological factors and the output power of a photovoltaic power generation system. The meteorological factors which have strong correlation with the output power are chosen as the meteorological variables of the input of the forecasting model. Since BP neural network with conventional learning methods has some inherent defects on convergence rate and avoidance of the local minimum, the thesis constructs a photovoltaic power forecasting model based on BP neural network with an improved learning method. And the proposed BP neural network can optimize its structure according to the objective day and the training set in order to obtain a strong learning ability and a good predictive performance. Based on BP neural network, the thesis establishes the power forecasting model on Matlab for the photovoltaic power generation systems and tests the model with four examples of different types of weather. The results show that the predictive performance on sunny days is the best with the mean absolute percentage error (MAPE) equaling 5.36% and that the predictive performance on overcast days is the worst with the MAPE equaling 40.11%. The thesis also compares the predictive performances of three different approaches for choosing the best similar day. The result shows that the predictive performances with cluster analysis which is applied in the thesis are better than those of the other two methods on cloudy, overcast and rainy days. The results indicate the validity and superiority of the proposed power forecasting model in the thesis.

基于BP神经网络的光伏系统发电量物理预测模型设计1.前言光伏系统发电量预测是指估计出未来一天或几天的光伏发电量数据，它是光伏监控系统能量调度的一项重要日常工作，是制定输配电方案的主要依据。

发电量预测作用的大小主要取决于预测精度，所以如何提高预测精度是目前研究发电量预测理论与方法的重点。

本文对光伏阵列的输出特性进行分析，根据光伏系统发电量的历史数据以及气象资料以及影响光伏发电的因素，建立BP神经网络的光伏系统发电物理预测模型，它不受前一天或者前一个发电状况的影响，只要有未来某一天或某一个时间段的气象资料（预测）就可以预测未来某一天或某一个时间点的光伏发电量。

2.BP神经网络介绍1985年，David.Rumelhart和J.McClelland提出了BP神经网络的误差反向后传BP(Back Propagation)学习算法。

其基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。

神经网络在外界输入样本的刺激下不断改变网络的连接权值, 对各连接权值的动态调整以使网络的输出不断地接近期望的输出。

BP神经网络的学习类型为有导师学习，利用样本对网络进行学习训练，将输出误差以分摊给各层所有单元的形式，通过隐层向输入层逐层反传，学习过程是信号的正向传播，误差的反向传播。

输入样本－－>输入层－－>隐层－－>输出层。

它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

因此，BP 神经网络模型的建立需要用到激活函数。

由于其学习规则为最速下降法，所以激活函数必须收敛，即在其定义域内处处可导。

本文用到的激活函数为S 函数，即：-1(x)=1+x f e 。

BP 神经网络3层结构模型如图1所示。

1x 2x 1N x图1 BP 神经网络3层模型结构图若输出层的实际输出与期望的输出（教师信号）不符，则误差以分摊给各层所有单元的形式在各层表示，从而修正各层单元的权值。

基于预估-校正综合BP神经网络的短期光伏功率猜测一、引言随着全球对可再生能源的需求不息增长，光伏发电逐渐成为重要的清洁能源之一。

然而，由于光伏发电受天气等各种因素的影响，其功率输出具有较大的波动性和不确定性。

因此，准确猜测光伏功率成为管理和优化光伏发电系统运行的重要工作。

现有的光伏功率猜测方法主要包括基于物理模型和基于统计学方法。

然而，基于物理模型的猜测方法需要大量的测量数据和复杂的计算，且对气象数据的准确性要求较高。

基于统计学方法仅通过历史数据进行简易的统计分析，往往无法准确抓取各种因素间的复杂干系。

为了提高光伏功率猜测的准确性，本文提出了一种基于预估-校正综合BP神经网络的方法。

该方法结合了神经网络的优势，通过预估和校正两个阶段的训练来逐步提高猜测的准确性。

二、方法介绍1. 数据采集与预处理为了进行光伏功率猜测，起首需要采集和整理相关的数据。

常用的数据包括光伏板的输出功率、气象数据（如太阳辐射、风速、温度等）以及其他可能影响光伏功率的因素。

采集得到的数据需要进行预处理，包括缺失值的处理、异常值的剔除以及数据归一化等。

2. 预估阶段的神经网络训练在预估阶段，接受BP神经网络进行光伏功率的初步猜测。

BP神经网络是一种常用的人工神经网络，具有较强的非线性拟合能力。

依据已有的数据，将光伏功率作为目标输出，气象数据和其他因素作为输入，通过反向传播算法进行网络的训练。

训练过程中，依据猜测结果与真实值的误差不息调整网络的权值和阈值，以提高猜测的准确性。

3. 校正阶段的神经网络训练在校正阶段，对预估阶段得到的初步结果进行进一步的校正和优化。

依据预估结果与实际功率输出值之间的误差，再次使用BP神经网络进行训练。

不同的是，校正阶段的训练中，除了输入数据外，还将预估阶段的结果作为输入，以进一步提高猜测的准确性。

4. 模型评估与优化为了评估模型的准确性和稳定性，需要使用一定比例的数据作为测试集进行验证。

通过计算猜测误差指标，如均方根误差、平均肯定误差等，来评判模型的性能。

应用改进马尔科夫链的光伏出力时间序列模拟应用改进马尔科夫链的光伏出力时间序列模拟1. 引言随着能源需求的不断增长和环境问题的日益突出，可再生能源的应用越来越受到关注。

太阳能作为一种重要的可再生能源之一，光伏系统的性能和出力预测对于光伏发电的可靠性和经济性具有重要意义。

光伏出力时间序列模拟是评估光伏系统性能的关键步骤之一，能够帮助光伏发电厂选择适当的技术和设备，优化发电计划并进行电网规划。

传统的光伏出力时间序列模拟方法通常基于天空模型或天气模型，通过考虑太阳辐射和天气因素来预测光伏系统的出力。

然而，这些方法的精度受到天气预报的准确性和模型的简化程度的限制。

因此，研究人员开始探索更精确和可靠的光伏出力时间序列模拟方法。

2. 马尔科夫链在光伏出力时间序列模拟中的应用马尔科夫链是一种随机过程模型，其核心思想是当前状态只与前一个状态相关，与其他历史状态无关。

在光伏出力时间序列模拟中，我们可以将光伏系统的出力分成不同的状态，根据过去状态的概率来预测未来的状态。

通过建立状态转移概率矩阵，可以准确模拟光伏系统的出力时间序列。

在应用马尔科夫链进行光伏出力时间序列模拟时，关键的问题是如何确定状态和计算状态转移概率矩阵。

一种常用的方法是根据光伏系统的功率分布将功率范围划分为几个状态，并利用历史数据计算状态转移概率。

这样可以考虑光伏系统出力的离散性和不确定性，提高模拟的准确性。

3. 改进的光伏出力时间序列模拟方法为了改进马尔科夫链在光伏出力时间序列模拟中的应用，我们可以引入更多的因素来提高模型的精度。

例如，可以考虑光伏系统的位置和方位角、天气因素（如温度、湿度和风速）以及系统故障等。

通过分析这些因素与光伏系统出力的关系，并将其纳入状态转移概率的计算中，可以提高模型对系统出力变化的准确预测能力。

此外，为了更好地模拟光伏系统出力的随机性和不确定性，可以将马尔科夫链与随机过程模型相结合。

例如，可以采用蒙特卡洛方法来生成随机数，根据这些随机数来模拟光伏系统的出力。

基于BP神经网络算法的光伏发电预测系统设计文章在北京电子科技职业学院光伏发电系统的基础上，设计了数据采集分析到发电功率预测的一整套系统。

该系统通过采集光伏发电系统数据，经过数据处理后，以BP神经网络算法为基础设计预测模型，最终实现光伏发电系统的发电功率预测功能。

软件调试结果表明，系统工作稳定，预测结果准确率高，具有一定的实用价值。

标签：BP；光伏发电；预测；算法目前，光伏发电是我国新能源发电领域发展最迅速、应用推广最为广泛的行业之一。

而随着光伏发电系统的不断应用，环境因素成为光伏发电系统工作的主要影响因子。

随着近年来光伏电站的大量建设，系统容量设计中的发电功率预测成为电站建设的重要指标。

为了实现光伏发电系统的发电功率预测，就必须通过系统发电数据的采集、分析，优选，针对发电系统构建智能化模型，利用智能算法进行计算，从而最终实现光伏发电系统功率预测[1]。

基于MATLAB科学计算语言的智能算技术发展为光伏发电预测系统提供了有力的技术支持，特别是BP神经网络技术的发展，使数据采集、处理、训练、预测等环节的技术指标得到了很大的提高。

本设计就是BP神经网络算法模型下的光伏发电功率预测系统。

1 预测模型算法预测模型采用了目前较为成熟的BP神经网络算法，按照误差逆传播算法训练，构建多层前馈网络，使得网络的误差平方和最小。

BP神经网络模型的拓扑结构由，输入层、隐含层和输出层三部分构成，如图1所示。

2 预测模型功能分析基于BP神经网络的光伏发电功率预测模型，需要大量的输入输出数据才能做到最优，因此，此预测模型主要通过数据处理、模型构建、数据训练等主要环节完成预测模型的构建和完善，从而最终实现光伏发电预测系统的整体功能。

3 预测系统设计光伏发电预测系统设计主要由数据预处理、构建模型、训练、结果分析四部分构成。

3.1 数据预处理数据预处理主要由光伏发电采集的不良数据的预处理和光伏发电采集发电数据的归一化处理两部分工作构成。

第33卷第3期2012年3月太阳能学报ACTA ENERGIAE SOLARIS SINICAVol．33，No．3Mar．，2012文章编号：0254-0096（2012）03-0468-05自适应BP 神经网络在光伏MPPT 中的应用收稿日期：2011-04-13基金项目：浙江省开放式基金（2010EM003）通讯作者：胥芳（1964—），女，博士、教授、博士生导师，主要从事农业工程、新能源技术方面的研究。

fangx@zjut．edu．cn胥芳，张任，吴乐彬，徐红伟（特种装备制造与先进加工技术教育部/浙江省重点实验室，浙江工业大学，杭州310014）摘要：根据光伏电池的内部结构和输出伏安特性建立Matlab 仿真模型。

比较了扰动观察法（P＆O ）、电导增量法、恒定电压法、开路电压法和寄生电容法等几种光伏系统最大功率跟踪（MPPT ）算法。

由于这些算法存在在最大功率点附近扰动较大、且受环境影响、鲁棒性较差等问题，提出一种基于神经网络的MPPT 算法。

将温度和光强作为输入变量，通过神经网络识别后可得到最大功率点。

仿真表明所提出的方法具有良好的适应性，显著提高了光伏系统的转换效率。

关键词：太阳能；光伏系统；最大功率跟踪（MPPT ）；神经网络；仿真中图分类号：TM615文献标识码：A0引言常用的太阳能光伏电池主要是硅太阳电池。

太阳能光伏电池在不同温度和光照作用下，其输出功率呈非线性特征。

为了提高输出效率和降低发电成本，进而广泛推广光伏发电技术。

为使光伏电池始终工作在最大功率输出点，出于成本、难度、复杂性和稳定性考虑，研究一种高效的最大功率输出（MPPT ）算法具有重大现实意义。

目前，国内外学者提出了多种MPPT 算法。

常用的有扰动观察法（P＆O ）、电导增量法［1］、恒定电压法、开路电压法［2］和寄生电容法。

这些算法结构简单，但在最大功率点附近扰动较大，且受环境影响，鲁棒性较差。

近几年，神经网络理论的应用取得了较大发展，神经网络具有自适应特点，可以很好地拟合光伏电池的非线性特性。