地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型_陈志宝.pdf

### 地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型 #### 研究背景与意义 随着全球对可再生能源利用的需求日益增长，光伏发电因其清洁、可再生等特点而受到广泛关注。然而，光伏发电受天气条件尤其是云量的影响较大，这导致其输出功率具有较大的波动性。因此，准确预测光伏功率对于电网调度和运行管理至关重要。在众多影响光伏功率的因素中，云的变化是最主要的因素之一，因为云层会遮挡太阳光，造成地表接收到的太阳辐射量随机变化，进而导致光伏系统的输出功率发生波动。 #### 研究方法与技术路线 本文提出了一种结合地基云图和径向基函数（Radial Basis Function, RBF）神经网络的光伏功率超短期预测模型。具体步骤如下： 1. **云图像特征提取**：基于全天空云图像，利用数字图像处理技术提取与地面辐射相关的图像特征，如图像亮度、云量等。 2. **RBF神经网络建立**：然后，构建RBF神经网络预测模型，输入变量包括天外辐射、大气质量以及从云图像中提取到的特征（如图像亮度、云量等），输出为地表辐射强度。 3. **光伏功率预测实现**：通过建立辐射量与光伏功率之间的转换模型，实现了光伏功率的超短期预测。 #### 关键技术点解析 1. **云图像特征提取**： - **图像亮度**：反映了云层覆盖程度及其对地表太阳辐射的影响程度。 - **云量**：直接关联着遮挡阳光的程度，是评估云层遮挡效果的重要指标。 2. **RBF神经网络**： - RBF网络是一种前馈型神经网络，其特点是使用径向基函数作为隐层节点的激活函数，适用于非线性函数逼近问题。 - 在本研究中，RBF网络能够有效捕捉光伏功率与各种输入变量之间的复杂非线性关系。 3. **光伏功率预测模型**： - 通过训练RBF网络，模型可以学习到输入变量（如天外辐射、大气质量及云图像特征）与输出变量（光伏功率）之间的映射关系。 - 实验结果表明，考虑了云图像信息的预测模型性能优于未考虑图像信息的模型，证明了该方法的有效性和实用性。 #### 结论与展望 本文提出的基于地基云图和RBF神经网络的光伏功率超短期预测模型，有效地解决了光伏功率预测中云影响的问题，提高了预测精度。通过对云图像特征的提取与分析，并结合RBF神经网络的强大拟合能力，该模型能够更准确地预测光伏功率的变化趋势，对于提高电网调度效率、降低电力系统运行风险具有重要意义。未来的研究方向可以进一步探索更多影响光伏功率的因素，如温度、湿度等气象参数，以及不同类型的云层对光伏功率的影响，从而进一步提升预测模型的准确性和可靠性。