毕业论文

打赏
当前位置: 毕业论文 > 自动化 >

光伏储能系统的产能预测设计(2)

时间:2022-04-24 20:32来源:毕业论文
BP神经网络预测结果 24 4。3 小结 31 结 论 33 致 谢 34 参考 文献 35 1。1研究背景和课题的意义 能源作为 经济 发展的原动力,消耗的总量需要加以控制,并且

BP神经网络预测结果 24

4。3 小结 31

33

34

参考文献 35

 

 

1。1研究背景和课题的意义

 

能源作为经济发展的原动力,消耗的总量需要加以控制,并且将节能、开发新能源纳入环境治理规划之中,以缓解日益突出的环境恶化等问题[1]。而太阳能的能量来自于太阳,开发利用太阳能具有无穷的潜力和优势,首先太阳能与传统的化石燃料相比更加得干净,其次可开发利用的能量巨大。对于太阳能的利用,目前发展较成熟是光伏发电和光热转换。从2014年

累计装机总量达到2805万千瓦就可以看出太阳能在慢慢的渗进传统发电系统。使得人们能够在未来环境战斗中取胜的关键一步就是合理地利用太阳能并将其高效地转化为可供人们使用的能量[2]。

太阳能发电有集中式和分布式两种方式。因为集中式发电对地形的面积和地理位置要求较高,并且随着城市的不断发展,在城市或者城镇楼房上安装小功率的电池板已成为一种趋势。如果分布式发电站与大电网能够结合起来,则可以降低投资的成本,节约能源,并使电力系统更加地灵活与可靠。同时随着互联网技术的快速发展,通过建立的能源互联网可以大规模的利用和分享新能源[3]。但由于光伏发电系统的能量来自于太阳,受很多因素的影响,比如温度、压力、风速、云量等的影响,使得光伏发电系统的产能是一个不确定的过程。由于其功率输出波动会影响电力系统的稳定性,任何一个并网光伏电站在公共电网中都会被视为一个不可控和不可调度的功率发生器。随着光伏发电装机容量的增加,为了配合配电网规划与运行、配电自动化和电力需求侧管理,基于天气预报信息对中大型的并网光伏发电系统的输出功率进行预测就显得十分重要[4]。而对于安装分布式光伏储能系统,采用自给自足、余电上网方式的普通用户,提前预测产能可以给用户提供参考,选择自用或者上网,给用户以最大的经济效益[5,6]。

1。2现阶段的研究方法

 

光伏发电系统预测的方法广义上可分为两种,分别为物理方法和统计方法[7]。物理方法是从预测到的天气信息作为出发点,当然天气的信息可以依赖于很多技术设备或者理论,使用太阳辐射和光伏电池板模型来预测产能的,而统计的方法主要是依赖过去的数据,通过建立模型并对其进行一定规律性的训练和学习,使之成为可以预测未来的数据。

 

图1。1 物理预测模型的大致流程

 

物理的预测方法的流程大致如图1。1所示。其中天气预测信息的获取是多途径的,比如气象站、卫星或者数值天气预报模型的输出数据。在此基础上对太阳辐射量进行预测。这里的模型有很多,1976年Hottel[8]提出了一种简单的计算晴空天气下的总辐射量的计算方法。1986年RichardE。Bird和CarolRiordan[9]提出了一个利用地外辐射量计算晴朗天气状况下总辐射强度、更加简化与精确的SPCTRAL2模型,可以把大气中颗粒物及吸收性气体等影响因素转化为定量的影响,得到直射和散射辐照度。而Marcel,Suri和Jaroslav,Hofierka[10]也提出了一种基于地理信息系统(GIS),综合考虑太阳的公转自转、地形影响和大气散射吸收削减三方面的影响,使用一个r。sun模型计算出实际天气状况下的太阳辐射强度。其中云是影响太阳辐射量的最重要的因素。通过一些卫星传来的云图按照一定的特征可以对云进行分类,研究分析其对太阳辐射能的削弱程度。赵真(音译)等人和魏上官(音译)等人[11,12]对卫星云图进行研究,使用像素点分析法从不同的角度对云层进行了分类,大致可以分为四大类。BryanUrquhart等人[13]简单描述了通过一个全天空成像仪确定天气的状况并结合全部水平辐射量(GHI)来计算实际天气下的太阳辐射量。王秀俊[14]从定性的方面论证了云的类别、厚度、是否伴随降水等因素分析了其对太阳辐射削弱的作用。戴淑君等人[15]通过南京地区1961年-2010年的气象数据反演出太阳辐射模型,借助粒子群优化算法确定了参考云量计算辐射能的模型参数,并利用2001年-2010年数据对模型进行了检验。 光伏储能系统的产能预测设计(2):http://www.youerw.com/zidonghua/lunwen_93098.html

------分隔线----------------------------
推荐内容