基于深度学习的光伏发电量预测模型研究

发布时间：2023-02-15 09:30

　　目前太阳能资源在世界范围大量开发利用,但实际使用量还远未达到人类的能源需求。随着可再生能源利用尤其是太阳能资源开发利用的增加,精准的光伏发电预测技术将有助于光伏发电的推广。光伏发电量取决于天气条件,不同天气条件下易产生较大幅度的波动,其发电量具有随机性、波动性和间歇性的特点。由于光伏发电的不稳定性,基于区域对太阳能利用和开发进行切实可行的规划具有较大的难度。因此,准确的发电预测对于确保电网稳定性和经济调度至关重要。为提高光伏发电的预测精度,降低光伏发电不稳定性的影响,本文提出了一种基于深度学习的端到端光伏发电预测模型。主要工作包括:(1)光伏发电数据预处理方法根据获取的某分布式光伏发电站中三个小型分布式光伏发电站的实时发电原始数据进行数据预处理,包括LOF异常值剔除,数值归一化以及基于马尔科夫蒙特卡洛方法的缺失值的填充,根据原始数据进行5,15,30min时间精度的划分。(2)提出基于深度学习的序列预测模型根据不同模型对比研究,本文利用天气预报气象数据提出了一种光伏发电预测模型。本研究将预测问题转变为结构化的序列输出预测问题,同时预测多个输出。该模型以Bi-LSTM(双向长短期记忆)为...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 光伏发电预测研究现状
        1.2.1 统计方法
        1.2.2 光伏性能模型
        1.2.3 混合模型
        1.2.4 深度学习
    1.3 本文主要研究内容
    1.4 论文结构
第2章 发电量预测方法
    2.1 经典发电量预测方法
        2.1.1 时间序列预测
        2.1.2 最小二乘法支持向量机
        2.1.3 梯度提升树
    2.2 神经网络
        2.2.1 RNN
        2.2.2 RNN-LSTM
        2.2.3 Bi-LSTM
        2.2.4 正则化机制
    2.3 本章小节
第3章 光伏发电数据集数据预处理方法
    3.1 基于马尔科夫蒙特卡洛方法的缺失值数据处理
    3.2 基于局部异常因子的异常值检测方法
    3.3 数据标准化
    3.4 本章小结
第4章 基于BI-LSTM的SEQ2SEQ光伏发电量预测模型
    4.1 基于BI-LSTM的SEQ2SEQ光伏发电量预测模型架构
        4.1.1 模型输入层
        4.1.2 模型隐藏层
        4.1.3 模型输出层
    4.2 激活函数
    4.3 基于时间的反向传播算法
    4.4 本章小结
第5章 算例分析
    5.1 光伏发电数据预处理
        5.1.1 光伏发电站实测数据缺失值分析
        5.1.2 光伏发电站实测数据相关性分析
        5.1.3 光伏发电站实测数据异常值分析
    5.2 评价指标
    5.3 模型参数与对比模型设置
        5.3.1 模型参数设置
        5.3.2 对比模型设置
    5.4 预测结果
    5.5 本章小结
第6章 研究结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3743256