光伏发电毕业论文 - 图文

杭州电子科技大学本科毕业设计

摘要

随着社会的不断发展，传统能源的大量消耗使人们在工业发展和日常生活中面临关于不可再生能源耗尽和严重的环境污染等问题。太阳能作为一种优秀的可再生能源而受到世界各国的重视并具有较大发展潜力。随着光伏发电系统容量的不断扩大，准确地预测光伏系统未来几天的发电量对保证电网的稳定运行和大规模光伏发电系统的发展有着重要义。而城市建筑屋顶作为城市中利用率较低的部分，如果在闲置的屋顶上均安装太阳能光伏发电系统，对整个城市都将带来许多利益。本文提出了一种利用气象信息和历史发电量来预测次日光伏发电量的模型，整个模型采用非线性映射能力较强的BP神经网络来建立。原始数据由杭州电子科技大学光伏发电微网实验室提供，包括实验平台记录下的历史气象信息和对应当天的光伏发电量。由于原始数据有限，本文采用模块化的思想，先将模型按季节划分为春、夏、秋、冬四个子模型，再将每个季节模型按日气象类型划分为晴天、云天和雨天三个子模型，共计十二个子模型。以2010年10月的发电数据和气象数据为例，输入数据为预测前一日的光伏发电量和预测当日的温度和光照强度，对建立的神经网络进行训练，并对训练好的模型进行了测试、预测及评估。结果表明，预测模型的预测精度较高，对发电量的预测有较好的参考作用。最后结合杭州电子科技大学，查阅下沙校区的建筑物屋顶面积，推广到校园建筑物所有屋顶都安装上太阳能电池板，预测每日总发电量。

关键词：光伏发电量预测 气象因子 BP神经网络 模块化

杭州电子科技大学本科毕业设计

ABSTRACT

With the development of society, large consumption of traditional energy makes people face the problem of non-renewable energy depletion and serious environmental pollution in industrial development and daily life. As a predominant energy,solar energy has been paid attention to and will be a potential one new energy.With the increase of the capacity of PV system, forecast the generating capacity of PV systems in the next few days accurately has an important meaning to ensure the stable operation of electric grid and large-scale development of PV system. And the roof of city’s construction is unemployed. if the PV system are installed on these idle roof, it will bring much benefits to the city. This paper presents a prediction of the PV system model using the historical meteorological information and historical generation, BP neural network which has the ability of nonlinear mapping is used to establish the model. The original data is provided by photovoltaic micro-grid Laboratory of Hangzhou Dianzi University, which includes the historical meteorological information and the corresponding amount of the photovoltaic power generation. Because the original data is limited, this paper modularize the project .According to the fact of the season ,the first model is divided into four sub-models which are named spring, summer, autumn and winter , and then divided each season into three sub-models named sunny day, cloudy day and the rainy day, these twelve sub models combines the project. Take the point data and meteorological data of October, 2010 as an example, the PV power generations which were measured on the day before the prediction and the temperature and the amount of PV power generations which were measured on the predicted day are the input data , the ANN will be trained, and the trained model will be tested and predicted, also the prediction will be estimated. The results show that the model has a high prediction accuracy, It has a good reference to the calculation of power generation. Finally, according to Hangzhou Dianzi University, find the data of the roof area of Xiasha campus's buildings, extended to the case that all roof of the campus are installed with solar panels, predict total power generation capacity.

Keywords: the forecasting of PV system meteorological factor BP neural network modularity

杭州电子科技大学本科毕业设计

目 录

1.绪论 ............................................................... 1

1.1课题研究背景及意义 ............................................ 1 1.2 光伏发电系统发电量预测方法综述 ............................... 2

1.2.1 原理预测法 .............................................. 2 1.2.2 统计预测方法 ............................................ 2 1.2.3 智能预测方法 ............................................ 3 1.2.4 不确定理论预测方法 ...................................... 5 1.3 国内外光伏发电量预测的研究动态 ............................... 7 1.4 本文主要内容及章节安排 ....................................... 8 2.光伏发电系统概要 ................................................... 9

2.1 太阳能电池发电原理 ........................................... 9 2.2 光伏发电系统的组成 .......................................... 10 2.3太阳能电池随环境变化的输出特性 ............................... 11 3.BP神经网络基本原理 ............................................... 13

3.1 BP神经网络的结构 ............................................ 14 3.2 BP神经网络的学习算法 ........................................ 15 3.3 BP神经网络的设计 ............................................ 17 3.4 BP网络的限制与不足 .......................................... 18 4.基于BP神经网络的光伏发电量预测模型设计 ........................... 20

4.1影响光伏发电量的环境因素 ..................................... 20

4.1.1 辐照强度对光伏系统发电功率的影响 ....................... 20 4.1.2 日气象类型对光伏系统发电功率的影响 ..................... 21 4.1.3 温度对光伏系统发电功率的影响 ........................... 23 4.1.4 季节对光伏阵列发电量的影响 ............................. 23 4.2 预测模型设计 ................................................ 24

4.2.1 输入层节点的确定 ....................................... 25 4.2.2 隐含层节点的确定 ....................................... 25 4.2.3 输出层节点的确定 ....................................... 26 4.2.4 预测模型的训练与评估 ................................... 27 4.3 预测结果分析 ................................................ 29

4.3.1 晴天模型预测结果分析 ................................... 29 4.3.2 云天模型预测结果分析 ................................... 32 4.3.3 雨天模型预测结果分析 ................................... 34 4.3.4 预测分析总结 ........................................... 37 4.4 结合杭州电子科技大学全校实际可利用建筑楼屋顶面积进行评估 .... 37 5.结论 ............................................................. 409 致谢 ................................................................ 41 参考文献 ............................................................ 42 附录 ................................................................ 44

杭州电子科技大学本科毕业设计

1.绪论

1.1课题研究背景及意义

随着现代化工业的飞速发展，环境污染和全球能源危机问题日益突出。传统的能源燃料资源正随着工业发展的需求逐天减少，寻求一种清洁可再生能源迫在眉睫。丰富的太阳辐射能量作为人们身边可利用的重要能源，是取之不尽、用之不竭的，而且廉价、无污染。据预测，太阳能光伏发电在21世纪会在世界能源消费中占据重要的席位，不但要替代部分常规能源，而且也将成为世界能源供应的主体。为了保证电力系统经济、安全和可靠性运行，光伏发电预测显得越来的越迫切。然而,光伏系统的功率输出受不同天气状况的影响,具有不确定性和周期性等特点。准确预测光伏系统输出功率对于保证电网的稳定性和推动大规模光伏系统的发展具有重要的意义。在这一背景下，城市屋顶作为城市中利用率较低的部分，可以通过安装光伏发电装置对闲置的屋顶进行充分利用，以创造更多的经济效益和更好的社会效益。但城市屋顶光伏发电的预测模型尚没有得到很好的解决。若能对不同气候、不同天气状态下每日的光伏发电量能进行较准确地预测，对整个光伏产业的普及，对国家带来的经济效益，对环境的保护都有十分重要的作用。尤其是短期光伏发电预测预报，对于系统运行和生产费用具有非常重大的影响。

大规模光伏发电是一种有效利用太阳能的方式，但光伏发电系统受光照强度和环境温度等气候因素影响很大，然而气候因素是不稳定的，因此并网后功率变化具有不确定性，光伏系统输出功率的扰动有可能影响电网的稳定，会使电力系统的规划和运行与过去相比有更大的不确定性。因此，需要对光伏系统的发电功率进行准确预测，以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题，这样有助于整个电力系统的规划和运行，从而减少光伏发电随机性对电力系统的影响，提高系统的安全稳定性。

城市屋顶是城市土地资源规划中利用率较低的一部分，通过在城市高楼的屋顶安装光伏发电系统来有效利用建筑物屋顶和幕墙，具有以下优点：

1）无需占用宝贵的土地资源，有效提高城市土地面积利用率；

2）可在原地发电、用电，在一定距离范围内可节省电站送电网的投资，为城市和个人带来一定的经济效益；

3）能有效地减少建筑能耗，实现建筑节能；光伏组件安装在建筑的屋顶及幕墙的南立面上直接吸收太阳能，建筑集成光伏发电系统不仅提供了电力，而且还降低了墙面及屋顶的温升；

1

杭州电子科技大学本科毕业设计

4）光伏屋顶对环境污染小，并且能够减排大量原本因火力发电而产生的CO2等温室气体，大规模发展光伏发电可缓解全球变暖。

1.2 光伏发电系统发电量预测方法综述

经过长期的学习和研究，国内外现有的光伏发电量预测模型包括原理预测模型、统计预测模型、智能预测模型和基于不确定理论的预测模型等[1]。 1.2.1 原理预测法

原理预测法针对太阳能发电过程中在光电转换环节和逆变环节存在能量损失的现象，建立经验公式和经验系数，预测光伏发电量，此方法的原理和计算都非常简单，预测效果主要取决于光电转换效率模型、逆变效率模型和辐射预报的准确性。

光伏组件输出瞬时功率(直流)为:

P(t)??AG(t) （1）

式中，P(t)为极板输出功率(W);A为极板面积(m2 );G(t)为斜面辐射(W/m2 ); ηS为光电转换效率，见表1

表1 考虑不同要素的光电转换效率模型

模型 常系数效率模型 单一负温度系数效率模型 温度和太阳总辐射的两要素模型 温度、辐射、大气质量三要素模型 说明 ηS由电池厂商提供，和效率与材料有关 ?(Tc)??s[1??(Tc?25)] β为温度系数，与材料有关;TC为当前温度 ?(G,T)?[1??(Tc?25)]?(a1a1，a2，a3为经验参数，由 最小二乘法确定;G为太阳?a2G?a3lnG)总辐射量 ?(G,Tc,AM)?p[q?G/G0?P，q，m，r，s，u为经验通过实际工况测试得(G/G0)m]?[1?r?Tc/T0? 参数，到;AM为大气质量;G0，T0，s?AM/AM0?(AM/AM0)u]AM0取标准值 t2公式 ???s 光伏系统直流发电量Edc为:

Edc??P(t)dt （2）

t1式中，t1,t2为日出、日没时间。

光伏系统交流发电量Eac为:

Eac??Edc （3） 式中，η为逆变器转换效率。

原理预测法不适合对建筑集成光伏系统进行预测。 1.2.2 统计预测方法 (1) 回归分析法

2

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库光伏发电毕业论文 - 图文在线全文阅读。