本文是一篇电力论文，电力系统中的信息与控制子系统是实现电力系统信息传递的神经网络。它使电力系统具有可观测性与可控性，从而保证电能生产与消费过程的正常进行，以及在事故状态下的紧急处理。（以上内容来自百度百科）今天为大家推荐一篇电力论文，供大家参考。
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
至今为止，光伏发电技术的诞生已经有了一个世纪以上的历史，但真正用于实际并且大规模的使用、形成具有影响力的新能源产业，也是在最近几年内才发生的。随着社会工业的发展，人类文明取得了长足的进步，而在经济文化日益繁荣的背后，却是化石能源的枯竭。另一方面，在人们利用化石能源的同时，环境污染问题也给人们身体健康带来了巨大的压力。在此背景下，传统化石能源的发展已经遇到瓶颈，用新能源替代旧能源成了世界各国不得不直面的问题【1-2】。德国在 2005 年发布的《可再生能源法》成为世界各国开始大力发展光伏产业的象征，在之后的五年里，世界各地地光伏发电每年新增发电量增长速度大于 50%，另一方面，根据欧洲太阳能光伏协会的“stefor2020”计划，到 2020 年，欧盟的太阳能总装机容量将突破 9000 千万【3】。根据国际能源署(International Energy Agency, IEA)在 2016 年推出的光伏发电系统计划(Photovoltaic Power System Programme, PVPS)，从 2000 年到 2016 年成员国与非成员国的光伏发电装机累积容量如图 1-1 所示【4】：我国太阳能资源理论储量达每年 17000 亿吨标准煤，主要分布在我国西北四省与西藏。在前三类地区，每年平均日照时间超过 2000h，辐射量达到了 5000MJ/m2a，这些地区太阳能资源之丰富由此可见一斑，这意味着我国大部分的太阳能分布在 2/3 的地区，可见我国具有发展利用太阳能的良好条件【5】。因此，光伏发电作为太阳能最典型的利用方式之一，具有着十分迅速的发展速度。
...........
1.2 国内外研究现状
目前，国际上对光伏电站发电功率的预测主要从时间尺度方面着手，短期预测提供的是 1~2 天后的预测结果。从全球范围来看，短期出力预测的方法是首先基于过去的数据和数学、物理方面的理论创建模型，然后通过模型进行预测。光伏发电量预测方法包括两种，具体如下【9-10】:(1)直接预测法，别名统计法，它需要采集大量的历史数据，并分析其彼此间的关联，创建模型并进行预测。(2)间接预测法，别名物理法。这种方法从原理方面着手，探讨和光伏发电功率相关的因素，在此基础上创建物理模型，然后输入相关的数据，模型就会输出预测结果。统计法可利用过去的数据对未来的光伏发电系统输出功率进行预测，这种方法无需创建模型，应用起来更为方便。但为了确保预测的准确性，必须要有足够的历史数据为依据，而且模型输入参数设置的合理性，直接关系到预测结果的误差。物理法在模型合理参数精确的条件下，预测结果较准确。但缺点是需要应用到复杂的太阳辐射模型、光伏发电系统输出特性模型，以及精准的未来天气预报信息，并且对于含有不同类型的发电单元系统来说，确定输出特性模型的参数值较为复杂【11】。发达国家对光伏发电的研究，有着悠久的历史，并在很早之前开始了这方面的实践应用，积累了丰富的测试数据。所以，如今间接预测法在国外的应用更为广泛。
.........
2 光伏出力技术与环境影响因素分析
2.1 光伏发电技术
2.1.1 光伏发电原理
我们知道，太阳在无时不刻的发生核聚变反应，并且在这一过程中会释放出大量的太阳能。太阳能是分布最为广泛、应用历史最为悠久的可再生能源之一，它能够转化为热能、化学能或电能，以被人们所利用。其中，光热转化的成本比较低，效率高，但是转化后的热能难以存储和运输；光能转化为化学能主要是通过绿色植物的光合作用实现的，人类难以利用这一过程；光-电利用能够将光能转化为电能，并且方便存储和运输，因此得到了广泛的应用。太阳能电池就是基于这一原理研发出来的，它充分的利用光生伏打效应（也就是光伏效应），以将太阳能转化为电能。从本质上来看，它属于半导体光电二极管。太阳能电池的原理详见下图 2-1。我们能够将这一装置看成是大量 PN 结构成的半导体。这种电池将光能转化为电能需要经过四个步骤：其一，太阳光的采集，太阳光辐射在电池外部，也就是 P-N 结上；其二，P-N 吸收太阳能，其内部由此产生非平衡载流子，即空穴-电子对；其三，受到 P-N 结电场的影响，空穴-电子对分开，空穴沿着 N 区到 P 区的方向移动，电子则沿着相反的方向移动，电极的两端集中大量的正负电荷，由此形成光生电动势；其四，用导线和电池两极相连，接通电路，只要阳光保持照射，就能形成电流，通过串并联就可以形成电压电流，对外提供电能【39-40】。
.......
2.2 光伏出力的环境影响因素分析
光伏发电系统的输出功率是不连续、不稳定、不确定、随机的。这一参数和一系列的因素有关，这些因素分为两个部分，其一为电站内部的电气属性，比如零部件的老化、能量传输过程中的损耗、系统参数、安装上的差异、输电线路和逆变器性能等；其二为外部的环境因素，即外部气象属性，具体来说有太阳光强度、天气、季节、温度、云量等。在内部属性方面，存在大量的相关因素，并且很多参数在实践中是不合理的。但对于特定的光伏发电站来说，其发电功率的时间序列表现出明显的自相关性特点，原因在于系统以往的发电功率的时间序列里面，全部的输出功率数据都是关于一套光伏发电组件的，里面携带了光伏阵列的信息【46】。所以，在选择光伏出力预测模型的输入变量时的，这些变量能够直接忽视，也就是说，只需考虑外部的环境因素，并以其为输入变量。在接下来的研究中本文将着重探讨光照强度等环境因素和光伏出力之间的关系。
.......
3 基于 FOA-AGA 优化 BP 神经网络预测研究的基本理论...........21
3.1 人工神经网络概述....21
3.2 BP 神经网络.....22
3.3 遗传算法理论............27
3.4 果蝇算法理论............32
3.5 本章小结..........37
4 基于 FOA-AGA 优化 BP 神经网络预测模型的建立.........39
4.1 总体设计思想............39
4.2 传统 BP 神经网络模型的设计.....39
4.3 基于改进的果蝇算法优化神经网络......43
4.4 自适应遗传优化算法的设计........46
4.5 预测步骤及流程........51
4.6 本章小结...........52
5 光伏出力预测仿真分析......55
5.1 数据处理..........55
5.2 误差衡量指标............57
5.3 仿真分析..........57
5.4 模型评估..........60
5.5 本章小结..........61
5 光伏出力预测仿真分析
为为了验证本文所提出的光伏微网发电量预测模型的优越性，根据不同的优化算法分别对 BP 神经网络进行优化，然后利用 MATLAB 工具展开编程验证。预测各种天气下光伏发电站的发电量，得到的结论为：准确的光伏发电量预测可以避免大电网受到严重的冲击，同时还可以降低大电网的备用要求。如果能够准确的预测光伏发电量，就能够更加科学的安排发电容量，将电网运行成本控制在更低范围内，帮助电站获取更可观的经济效益。
5.1 数据处理
光伏出力预测是基于充分的历史数据进行的，所以，要得到精确的预测结果，必须对数据的采集和分析进行审核。出力数据和气象数据，会被很多的因素所干扰，所以历史数据很有可能是不完整、不准确的，也就是说其中混入了不良数据或坏数据。为此，对历史数据予以加工是很有必要的，也就是数据的预处理。这一环节的作用，是剔除不良数据，补充缺失数据，确保光伏出力预测满足精确度的要求【11】。对上图进行分析可知：（1）相比其他两种天气，模型在晴天时具有更准确的预测结果，原因在于在晴朗天气下，光伏照射基本上不受天气因素的影响，光伏发电系统在晴天里的输出功率基本呈正态分布，有很强的规律性；（2）如果天气为多云，考虑到云会遮挡部分太阳光，并且云是移动的，系统出力出现明显的波动，三种模型预测功率和实际功率的关联性都相对较差，而未经优化的 BP 神经网络模型的预测误差是最大的；（3）所有模型对于阴雨天的预测效果是最差的，这是因为雨天气象因素具有多变性的特点，降雨量的变化，会使输出功率随之而改变。预测需要考虑数据的总体规律，尽量提高精度，必须将更多的因素纳入到考虑范围内。#p#分页标题#e#
........
结论
光伏发电的主要缺陷在于：能量来源是不确定且非连续的，并且光电转化率较低，设备需要占据较大面积的土地等。将光伏电站和大电网相连，电能质量很有可能因此大幅降低，所以，对光伏发电量进行预测以采取措施维护电网的稳定很有必要。为了对和大电网相连的光伏电站的发电量进行更加准确的预测，笔者进行了本课题的研究。首先梳理全球范围内涉及到本课题研究的现状，概述光伏发电站的原理和构成，对其输出功率特性进行研究。重点探讨和光伏发电量预测有关的因素，通过皮尔森相似度分析方法，对这些因素展开分析。其次，对 FOA-AGA-BP 预测研究所需要的基础理论进行详细介绍，在分析 BP 神经网络的基本原理和应用的同时也提出了 BP 神经网络在预测方面的局限性，并以此为基础引出了果蝇算法和自适应遗传算法。再次，给出光伏出力预测的整体设计思想，通过对 BP 神经网络拓扑结构的设计确定基础模型，采用果蝇算法和自适应算法，完成神经的网络的优化，在此基础上搭建FOA - AGA - BP预测模型，对利用该模型进行预测的过程进行详解。通过仿真和理论研究，得到如下结论：
（1）将环境温度、日平均福照强度，日平均风速当做模型所需的输入变量，能够有效降低预测误差。对发电量和其影响因素进行分析发现：环境温度、日平均福照强度，日平均风速在很大程度上决定了发电量的大小。所以出于在更大程度上降低预测误差的考虑，可在预测过程中增加气象变量。
（2）考虑到利用神经网络进行预测时，网络结构是决定预测效率的重要因素，如果采用全连接式的冗余结构，将导致网络处理性能大幅降低。笔者应用的果蝇算法基于等长编码策略，在完成问题编码的基础上，使后续环节的工作变得更加简单，而且在嗅觉搜索过程中应用自适应步长策略，有效的提高了算法后期局部寻优能力，进而改善了神经网络的网络结构，减少了冗余连接。
（3）引入自适应遗传算法对优化后的网络权值和阈值予以优化，从而使网络实现更高的预测精度。考虑到自适应遗传算法采用的是全局搜索，其自适应的交叉概率和遗传概率可以避免算法过早收敛，从而避免传统 BP 神经网络由于随机设定权值阈值参数而带来的局部收敛。
..........
参考文献（略）
