利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏(PV)组件在不同工况下的电流电压(I-V)特性,提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法.首先,通过皮尔森相关系数分析影响I-V曲线的环境因素;其次,使用基于电压电流的双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;再次,使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样,降低数据冗余度,并利用量子粒子群(QPSO)算法优化Elman神经网络的初始权值和阈值,从而构造QPSO-Elman预测模型.最后,根据实测I-V曲线数据集进行实验验证和测试,并与多层感知机、未改进的Elman网络、支持向量机等算法进行对比.实验结果表明,所提出的建模预测方法精度更高,稳定性和泛化能力更好.