摘要太阳能光伏发电系统的产能预测可以优化分布式发电并网时电网的规划与运行，也 可以为普通用户提供参考信息。本文分别采用物理方法和 BP 神经网络方法的预测模型， 对位于苏州的一套光伏发电系统进行了产能预测。对比结果表明所建立的物理模型和 BP 神经网络模型都可以比较准确地预测出产能，而且按照天气类型的不同可以得到晴天时 物理模型预测产能与实测产能的决定系数为 0。9446，多云、阴天、雨天的决定系数分别为 0。8135、0。5939 和 0。4787，即随着云量的增多而降低。使用 BP 神经网络进行预测可提高 多云天预测的准确率，对于多量较多的阴天产能预测的准确性还需要提高。80217
毕业论文关键词 分布式光伏 产能预测 物理方法 BP 神经网络
Title Energy Yield Prediction of a Photovoltaic Storage System
Abstract The power output forecast of grid-connected photovoltaic system may be able to optimize the power distribution planning and operation,it can also provide reference information for the average users when there is a distributed PV system on the roof of the houses。This paper use the physical methods and BP neural network as predictive model to forecast the energy yield of a photovoltaic system, located in Suzhou。 By comparing the predicted and measured data, the results indicate that the proposed models perform well,while the coefficient of determination is 0。9446 for sunny days。The coefficient of determination of broken sky、overcast sky and rainy days were 0。8135,0。5939 and 0。4787,respectively。 With the increase in cloudiness，some fluctuation can be found and the coefficient of determination are reduced。 Using BP neural network to forecast the production of a cloudy day, the accuracy of the prediction can increase。
Keywords Distributed PV plant Energy yield prediction Physical methods Back-Propagation neural network
目 次
1 绪论 1
1。1 研究背景和课题的意义 1
1。2 现阶段的研究方法 1
1。3 本文研究内容及手段 3
2 光伏系统产能预测物理模型 5
2。1 太阳位置的各参数的计算 5
2。2 太阳光谱辐射量的计算 6
2。3 光伏系统产能的计算模型 8
3 基于BP神经网络的统计方法 11
3。1 BP神经网络的基本结构 11
3。2 BP神经网络的学习 11
3。3 BP神经网络的设计 12
4 结果及分析 14
4。1 物理方法的预测结果 14
4。2 光伏储能系统的产能预测设计:http://www.youerw.com/zidonghua/lunwen_93098.html