基于递归神经网络的光伏发电量预测及FPGA加速
发布时间：2021-07-29 09:22
随着光伏发电的配网比例上升,光伏系统大规模并网到电网中给生产和运营带来了巨大挑战,因此迫切需要对光伏预测技术进行研究。准确的光伏预测结果具有指导性的作用,电力运营机构可以借此采取及时的响应措施:优化发电计划;提高电网的峰值调度能力;合理地安排维护,减少机组损耗。光伏预测技术对于电网运行具有很高的经济价值。本文介绍了光伏发电的预测方式,并对现有的技术做出总结归纳。人工神经网络能够处理复杂的非线性问题,因此将其作为预测方法并建立预测模型,对影响光伏发电的气象因素进行相关性分析以确定模型的输入数据。复杂天气条件导致光伏系统的间歇性,随机性和从变性,这使光伏预测变得困难。递归神经网络（Recurrent neural network,RNN）被认为是时间序列数据预测的有效工具。但是,当天气剧烈变化时,长期变量序列可能会在RNN的训练过程中导致梯度消失（爆炸）,从而使预测结果达到局部最优。为避免上述问题并优化预测性能,采用具有长短期记忆（Long short-term memory,LSTM）单元的RNN建立预测模型。此外,由于LSTM复杂的结构,CPU和GPU等通用处理器无法有效地实现LSTM...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．１中国光伏装机情况??光伏发电系统在普及方面仍面临许多挑战，在没有储能设备的情况下将光??
ｎｙ，?Ｓｅｐ．?３０ｔｈ．?２０１５?？１０００??Ｒａｉｎｙ．?Ｆｅｂ．?２２ｒ：ｄ．?２０１５??Ｊ?－＾－Ｃｌｏｕｄｙ．?Ｎｏｖ．?２８ｔ？，．?２０１５?■?－＾－Ｃｌｏｕｄｙ，?Ｍａｒｃｈ?１７，ｈ．?２０１５??＾?８００：?＾?８００??ｉ６００１?、＇?ｉ６〇０??０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００?０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００??Ｔｉｍｅ?Ｔｉｍｅ??图２．１四个季节在不同天气情况下的典型太辐射ｔ??１）气温??由图２．１可知，在温度较高的季节时，太阳辐射量比较高；在温度较低的冬??季时，太阳辐射量也会相应的下降。由此可见，温度与太阳辐射量有着较大相??关性，从而对光伏发电量产生较大的影响。??２）太阳高度角??太阳高度反映了太阳与地球（地平线）所处的夹角大校如图２．２所示，太??阳的入射光线与地球切面的夹角ｃｐ越大，太阳和地球之间的距离越小，所以太??阳辐射量就越大。当入射光线垂直于水平面时，太阳与地球之间的距离最短，??太阳对地表辐射达到最大值。??３）湿度??太阳辐照度会影响环境温度，气温则对湿度有着直接影响。湿度是指空气??中水蒸气的量。水蒸气増多会使地面接受的太阳辐射强度降低。这将对光伏发??电量造成一定影响。太阳辐射量高，水汽蒸发多，湿度低；反之，水汽蒸发少，??湿度高。阴雨天气太阳辐射少，湿度高。湿度间接反映了太阳辐射量的大校??１０??
个结构较大的祌经网络，这种情况下使用反向??传播法会ＩＩ丨现梯度消失或梯度爆炸的问题，从而使预测结泶陷入局部烺优解。??过度的训练还会使网络过拟合。??３）动量和学习系数讨以通过改变祌经元的每个连接权重促进学＞ｊ速度。然??而学习系数过大将导致网络不稳定，过小则影响收敛速度。??３．２?ＲＢＦ神经网络??３．２．１ＲＢＦ神经网络概述??１９８８年，Ｍｏｏｄｙ和Ｄａｒｋｅｎ１４９１提出了一种基于径向基函数（Ｒａｄｉｃａｌ?Ｂａｓｉｓ??Ｆｕｎｃｔｉｏｎ．?ＲＢＦ）的神经网络结构。如图３．２所示，ＲＢＦＮＮ是一种具三层结构的前??馈型神经网络。ＲＢＦＮＮ的输入层与隐藏层之间的权重为１，仅仅起到传输信号??的作用；ＲＢＦＮＮ的核心知识在于隐藏层的径向基函数，通常采用对称且衰减的??〇，（?ＩＩ?ｘ－ｃｉ?ＩＩ?）??，Ｃ｜?＇?ＷｅＲｋｘｍ??，广＇?，，Ｉ、一ｒ＇、??＾?ｙ＇ｘ－ｘ＂ｘ?：：??厂、／，，Ｙ?＇?．??＼?Ｘ＇ｉ?Ｋ?Ｔ．?｝－Ｙｍ??＇＼．４，，ｖ：Ｚ?、、．ｊ??＼?Ｃｋ?；??０ｋ（?｜｜?ｘ－ｃｋ?ＩＩ?）??图３．２ＲＢＦ神经网络结构??１６??
【参考文献】：
期刊论文
[1]基于回归分析法的光伏发电功率预测模型研究[J]. 姚宁,周力民,陈城. 机械工程师. 2020(02)
[2]全球视角下中国光伏行业的发展及反倾销[J]. 于洋. 科技经济导刊. 2020(02)
[3]光伏2020展望（1）:国内需求有望重回50GW[J]. 肖俊清. 股市动态分析. 2019(48)
[4]适用于分布式光伏接入中压直流配网的三电平零电流开关变换器[J]. 吴健,Syed Waqar Azeem,朱小明,夏峰,连建阳,宁光富. 电网技术. 2019(12)
[5]基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法[J]. 肖勇,赵云,涂治东,钱斌,常润勉. 电力系统保护与控制. 2019(11)
[6]基于多变量LSTM的工业传感器时序数据预测[J]. 易利容,王绍宇,殷丽丽,杨青,顾欣. 智能计算机与应用. 2018(05)
[7]Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks[J]. Saad Parvaiz DURRANI,Stefan BALLUFF,Lukas WURZER,Stefan KRAUTER. Journal of Modern Power Systems and Clean Energy. 2018(02)
[8]基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 王育飞,付玉超,孙路,薛花. 电网技术. 2018(04)
[9]基于样本扩张灰色关联分析的光伏出力预测[J]. 陈中,宗鹏鹏. 太阳能学报. 2017(11)
[10]基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 黎静华,黄乾,韦善阳,黄玉金. 电网技术. 2017(10)
硕士论文
[1]基于神经网络的地震灾害损失预测研究[D]. 张志栋.云南大学 2016
[2]牵引供电在线监测系统算法及实现研究[D]. 解广.石家庄铁道大学 2014
[3]风能及光伏发电功率短期预测方法研究[D]. 陈垣毅.浙江大学 2013
[4]基于双重不确定性并网光伏发电极限容量计算研究[D]. 王福菊.华北电力大学 2012
本文编号：3309065
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．１中国光伏装机情况??光伏发电系统在普及方面仍面临许多挑战，在没有储能设备的情况下将光??
ｎｙ，?Ｓｅｐ．?３０ｔｈ．?２０１５?？１０００??Ｒａｉｎｙ．?Ｆｅｂ．?２２ｒ：ｄ．?２０１５??Ｊ?－＾－Ｃｌｏｕｄｙ．?Ｎｏｖ．?２８ｔ？，．?２０１５?■?－＾－Ｃｌｏｕｄｙ，?Ｍａｒｃｈ?１７，ｈ．?２０１５??＾?８００：?＾?８００??ｉ６００１?、＇?ｉ６〇０??０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００?０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００??Ｔｉｍｅ?Ｔｉｍｅ??图２．１四个季节在不同天气情况下的典型太辐射ｔ??１）气温??由图２．１可知，在温度较高的季节时，太阳辐射量比较高；在温度较低的冬??季时，太阳辐射量也会相应的下降。由此可见，温度与太阳辐射量有着较大相??关性，从而对光伏发电量产生较大的影响。??２）太阳高度角??太阳高度反映了太阳与地球（地平线）所处的夹角大校如图２．２所示，太??阳的入射光线与地球切面的夹角ｃｐ越大，太阳和地球之间的距离越小，所以太??阳辐射量就越大。当入射光线垂直于水平面时，太阳与地球之间的距离最短，??太阳对地表辐射达到最大值。??３）湿度??太阳辐照度会影响环境温度，气温则对湿度有着直接影响。湿度是指空气??中水蒸气的量。水蒸气増多会使地面接受的太阳辐射强度降低。这将对光伏发??电量造成一定影响。太阳辐射量高，水汽蒸发多，湿度低；反之，水汽蒸发少，??湿度高。阴雨天气太阳辐射少，湿度高。湿度间接反映了太阳辐射量的大校??１０??
个结构较大的祌经网络，这种情况下使用反向??传播法会ＩＩ丨现梯度消失或梯度爆炸的问题，从而使预测结泶陷入局部烺优解。??过度的训练还会使网络过拟合。??３）动量和学习系数讨以通过改变祌经元的每个连接权重促进学＞ｊ速度。然??而学习系数过大将导致网络不稳定，过小则影响收敛速度。??３．２?ＲＢＦ神经网络??３．２．１ＲＢＦ神经网络概述??１９８８年，Ｍｏｏｄｙ和Ｄａｒｋｅｎ１４９１提出了一种基于径向基函数（Ｒａｄｉｃａｌ?Ｂａｓｉｓ??Ｆｕｎｃｔｉｏｎ．?ＲＢＦ）的神经网络结构。如图３．２所示，ＲＢＦＮＮ是一种具三层结构的前??馈型神经网络。ＲＢＦＮＮ的输入层与隐藏层之间的权重为１，仅仅起到传输信号??的作用；ＲＢＦＮＮ的核心知识在于隐藏层的径向基函数，通常采用对称且衰减的??〇，（?ＩＩ?ｘ－ｃｉ?ＩＩ?）??，Ｃ｜?＇?ＷｅＲｋｘｍ??，广＇?，，Ｉ、一ｒ＇、??＾?ｙ＇ｘ－ｘ＂ｘ?：：??厂、／，，Ｙ?＇?．??＼?Ｘ＇ｉ?Ｋ?Ｔ．?｝－Ｙｍ??＇＼．４，，ｖ：Ｚ?、、．ｊ??＼?Ｃｋ?；??０ｋ（?｜｜?ｘ－ｃｋ?ＩＩ?）??图３．２ＲＢＦ神经网络结构??１６??
【参考文献】：
期刊论文
[1]基于回归分析法的光伏发电功率预测模型研究[J]. 姚宁,周力民,陈城. 机械工程师. 2020(02)
[2]全球视角下中国光伏行业的发展及反倾销[J]. 于洋. 科技经济导刊. 2020(02)
[3]光伏2020展望（1）:国内需求有望重回50GW[J]. 肖俊清. 股市动态分析. 2019(48)
[4]适用于分布式光伏接入中压直流配网的三电平零电流开关变换器[J]. 吴健,Syed Waqar Azeem,朱小明,夏峰,连建阳,宁光富. 电网技术. 2019(12)
[5]基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法[J]. 肖勇,赵云,涂治东,钱斌,常润勉. 电力系统保护与控制. 2019(11)
[6]基于多变量LSTM的工业传感器时序数据预测[J]. 易利容,王绍宇,殷丽丽,杨青,顾欣. 智能计算机与应用. 2018(05)
[7]Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks[J]. Saad Parvaiz DURRANI,Stefan BALLUFF,Lukas WURZER,Stefan KRAUTER. Journal of Modern Power Systems and Clean Energy. 2018(02)
[8]基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 王育飞,付玉超,孙路,薛花. 电网技术. 2018(04)
[9]基于样本扩张灰色关联分析的光伏出力预测[J]. 陈中,宗鹏鹏. 太阳能学报. 2017(11)
[10]基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 黎静华,黄乾,韦善阳,黄玉金. 电网技术. 2017(10)
硕士论文
[1]基于神经网络的地震灾害损失预测研究[D]. 张志栋.云南大学 2016
[2]牵引供电在线监测系统算法及实现研究[D]. 解广.石家庄铁道大学 2014
[3]风能及光伏发电功率短期预测方法研究[D]. 陈垣毅.浙江大学 2013
[4]基于双重不确定性并网光伏发电极限容量计算研究[D]. 王福菊.华北电力大学 2012
本文编号：3309065
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3309065.html
