本发明涉及新能源功率预测方法，具体涉及一种光伏组件温度预测方法。
背景技术：
：光伏电站发电功率与光伏组件有着密不可分的关系。光伏组件与其它半导体器件均对温度十分敏感。随着温度的升高，硅材料的禁带宽度降低，影响大多数表征材料的性能参数，进而影响组件的电性能参数，导致组件的开路电压降低，短路电流略微增加，总体造成功率降低。组件温度是影响光伏组件转换效率的一个重要因素，对组件温度的准确预测，有助于提高光伏发电功率预测的精确度。因此，光伏电站需要对光伏组件温度进行预测。在预测过程中，光伏组件的温度对光伏电站的发电功率有着比较大的影响，随着光伏电池组件温度的升高，开路电压减小，在20-100摄氏度范围，大约每升高1摄氏度，光伏电池的电压减小2mV；而光电流随温度的升高略有上升，大约每升高1摄氏度电池的光电流增加千分之一。总体来说，温度每升高1摄氏度，则功率减少0.35％。因此，有必要提出光伏组件温度预测有效方法，以探究光伏组件的温度对于光伏电站发电功率的影响，技术实现要素：为了实现上述需求，本发明提供一种光伏组件温度预测方法，可准确地为光伏电站发电功率的预测提供基础。本发明的目的是采用下述技术方案实现的：一种光伏组件温度预测方法，将输入向量分别输入基于BP人工神经网络的组件温度预测模型，对光伏组件温度进行预测；所述方法包括：(1)数据初始化，确定输入向量和目标向量；(2)构建基于BP人工神经网络的组件温度预测模型；(3)执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；(4)调整连接权值，获取调整后的隐含层和输出层的各节点输出；(5)若满足收敛条件，则训练结束；否则返回步骤(3)。优选的，所述步骤(1)中，确定输入向量和目标向量包括：定义影响光伏组件温度的气象影响因子，选取基准时间段内气象影响因子的预测值；定义气象影响因子预测值为输入向量，光伏组件温度预测值为目标向量；进一步地，所述气象影响因子，包括环境温度、太阳辐照度和风速；所述气象影响因子预测值的获取方法为：采集历史数据中，基准时间段内所有环境温度、太阳辐照度和风速；分别记录其对应的预测值。优选的，所述步骤(2)具体包括，以全局误差函数E最小化minE(w,v,θ,γ)为最优解，通过式(1)构建基于BP人工神经网络的组件温度预测模型；minE(w,v,θ,γ)=1N1Σk=1N1Σt=1N[yk(t)-yk(t)]2<ϵ1yk(t)=Σj=1pvjk·f[Σi=1mxwij+θj]+γtf(x)=11+e-xs.t.wij∈Rm×p,vjk∈Rp×N1,θj∈Rp,γt∈RN---(1)]]>其中，x为训练样本，yk(t)为网络的实际输出，yk(t)为网络的期望输出，wij为输入层节点i到隐含层节点j的连接权值，i＝1,2,...,n，n为输入层节点个数，j＝1,2,3...,m；vjk为隐含层节点j到输出层节点k的连接权值，k＝1,2,3...,m；m为隐含层节点的个数，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，t＝1,2,3...,p；p为输出层节点个数，N1为隐含层的神经元个数，N为输出层的神经元个数，f(x)为激活函数，ε1为误差预设阈值，Rm×p为m行p列矩阵,Rp×N1为p行N1列矩阵，Rp为p行1列矩阵，RN为N行1列矩阵。优选的，所述步骤(3)中，误差反向传播算法训练的执行包括：采用梯度下降法，使得全局误差函数E按梯度下降，其表达式为：-∂E∂wij=Σk=1N(-∂Ek∂wij)-∂E∂θj=Σk=1N(-∂Ek∂θj)-∂E∂vjk=Σk=1N(-∂Ek∂vjk)-∂E∂γt=Σk=1N(-∂Ek∂γt)---(2)]]>所述梯度下降法，即各节点的连接权值和阈值的变化与下降梯度成正比，则：Δvjk=-η·∂Ek∂vjt=-η·∂Ek∂yt·∂yt∂vjtΔwij=-η·∂Ek∂wij=-η·∂Ek∂bj·∂bj∂sjΔγt=-η·∂Ek∂γt=-η·∂Ek∂yt·∂yt∂γtΔθj=-η·∂Ek∂θj=-η·∂Ek∂bj·∂bj∂sj·∂sj∂θjbj=f(sj)sj=f(Σi=1mwijxi+θj)---(3)]]>其中，η为学习率，且0＜η＜1；wij为输入层节点i到隐含层节点j的连接权值，vjk为隐含层节点j到输出层节点k的连接权值，Δνjk隐含层节点j到输出层节点k的连接权值修正量，Δωij为输入层节点i到隐含层节点j的连接权值修正量；θj为隐含层节点j处的阈值，Δθj为隐含层节点j处的阈值修正量，γt为输出节点t处的阈值，Δγt输出节点t处的阈值修正量；bj为隐含层各神经元的输出，xi为节点i处对应的训练样本，i＝1,2,...,n，n为输入层节点个数，sj为神经元运算的中间结果，N1为隐含层的神经元个数，m为隐含层节点的个数，N为输出层的神经元个数，f(x)为激活函数；Ek为隐含层的误差信号。优选的，所述步骤(4)获取调整后的隐含层和输出层的各节点输出如下式所示：wij(l+1)=wij(l)+Δwijvjk(l+1)=vjk(l)+Δvjkθj(l+1)=θj(l)+Δθjγt(l+1)=γt(l)+Δγt---(4)]]>其中，l表示训练次数。优选的，所述步骤(5)中的收敛条件为全局误差函数E小于误差预设阈值ε1。进一步地，将所述环境温度、太阳辐照度和风速分别作为输入向量输入基于BP人工神经网络的组件温度预测模型中，获取光伏组件温度预测值。与最接近的现有技术相比，本发明的技术方案具有以下优异效果：本发明提供的光伏组件温度的预测方法，首先利用历史数据确定光伏组件温度影响因子，获取环境温度、太阳辐射度和风速进行预测；其次，根据环境温度、风速的预测值和三者之间的关联关系得到光伏组件温度的预测值。不但直观反映了光伏组件温度的物理意义，能够在一定程度上降低对预测模型的难度要求，提高模型的预测精度。附图说明图1为本发明提供的一种光伏组件温度预测方法流程图；图2是本发明提供的组件温度预测模型结构图；图3是本发明提供的BP神经网络基本结构示意图。具体实施方式下面结合附图对本发明的具体实施方式作详细说明。为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。如图1所示，本发明提供的一种光伏组件温度预测方法，将输入向量分别输入基于BP人工神经网络的组件温度预测模型，对光伏组件温度进行预测；所述方法包括：(1)数据初始化，确定输入向量和目标向量；步骤(1)中，确定输入向量和目标向量包括：定义影响光伏组件温度的气象影响因子，选取基准时间段内气象影响因子的预测值；定义气象影响因子预测值为输入向量，光伏组件温度预测值为目标向量；气象影响因子，包括环境温度、太阳辐照度和风速等等；所述气象影响因子预测值的获取方法为：采集历史数据中，基准时间段内所有环境温度、太阳辐照度和风速；分别记录其对应的预测值。如图2所示，将所述环境温度、太阳辐照度和风速的预测值分别作为输入向量输入基于BP人工神经网络的组件温度预测模型中，获取光伏组件温度预测值。(2)构建基于BP人工神经网络的组件温度预测模型；BP人工神经网络是一种基于误差反向传播算法训练的多层前馈神经网络，其基本结构如图3所示，包含有输入层、隐含层、输出层以及反向传播的误差反馈。步骤(2)具体包括，以全局误差函数E最小化minE(w,v,θ，)γ为最优解，通过式(1)构建基于BP人工神经网络的组件温度预测模型；minE(w,v,θ,γ)=1N1Σk=1N1Σt=1N[yk(t)-yk(t)]2<ϵ1yk(t)=Σj=1pvjk·f[Σi=1mxwij+θj]+γtf(x)=11+e-xs.t.wij∈Rm×p,vjk∈Rp×N1,θj∈Rp,γt∈RN---(1)]]>其中，x为训练样本，yk(t)为网络的实际输出，yk(t)为网络的期望输出，wij为输入层节点i到隐含层节点j的连接权值，i＝1,2,...,n，n为输入层节点个数，j＝1,2,3...,m；vjk为隐含层节点j到输出层节点k的连接权值，k＝1,2,3...,m；m为隐含层节点的个数，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，t＝1,2,3...,p；p为输出层节点个数，N1为隐含层的神经元个数，N为输出层的神经元个数，f(x)为激活函数，ε1为误差预设阈值，Rm×p为m行p列矩阵,Rp×N1为p行N1列矩阵，Rp为p行1列矩阵，RN为N行1列矩阵。(3)执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；步骤(3)中，误差反向传播算法训练的执行包括：采用梯度下降法，使得全局误差函数E按梯度下降，其表达式为：-∂E∂wij=Σk=1N(-∂Ek∂wij)-∂E∂θj=Σk=1N(-∂Ek∂θj)-∂E∂vjk=Σk=1N(-∂Ek∂vjk)-∂E∂γt=Σk=1N(-∂Ek∂γt)---(2)]]>所述梯度下降法，即各节点的连接权值和阈值的变化与下降梯度成正比，则：Δvjk=-η·∂Ek∂vjt=-η·∂Ek∂yt·∂yt∂vjtΔwij=-η·∂Ek∂wij=-η·∂Ek∂bj·∂bj∂sjΔγt=-η·∂Ek∂γt=-η·∂Ek∂yt·∂yt∂γtΔθj=-η·∂Ek∂θj=-η·∂Ek∂bj·∂bj∂sj·∂sj∂θjbj=f(sj)sj=f(Σi=1mwijxi+θj)---(3)]]>其中，η为学习率，且0＜η＜1；wij为输入层节点i到隐含层节点j的连接权值，vjk为隐含层节点j到输出层节点k的连接权值，Δνjk隐含层节点j到输出层节点k的连接权值修正量，Δωij为输入层节点i到隐含层节点j的连接权值修正量；θj为隐含层节点j处的阈值，Δθj为隐含层节点j处的阈值修正量，γt为输出节点t处的阈值，Δγt输出节点t处的阈值修正量；bj为隐含层各神经元的输出，xi为节点i处对应的训练样本，i＝1,2,...,n，n为输入层节点个数，sj为神经元运算的中间结果，N1为隐含层的神经元个数，m为隐含层节点的个数，N为输出层的神经元个数，f(x)为激活函数；Ek为隐含层的误差信号。(4)调整连接权值，获取调整后的隐含层和输出层的各节点输出；步骤(4)获取调整后的隐含层和输出层的各节点输出如下式所示：其中，l表示训练次数。(5)若满足收敛条件，则训练结束；否则返回步骤(3)；步骤(5)中的收敛条件为全局误差函数E小于自定义的误差预设阈值ε1。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在申请待批的权利要求保护范围之内。当前第1页1 2 3