基于神经网络算法的光伏发电功率预测研究

发布时间：2021-10-15 21:21

　　全球传统化石能源渐渐衰竭,环境污染日益严重,各国正迫切寻找新的代替能源。光伏新能源具有清洁、无污染和可持续性等优点,受到全世界的广泛关注与研究。近年来,全球光伏发电装机容量不断提高,但光伏发电运行中的问题也日渐突出。光伏发电的过程受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要。本论文致力于优化神经网络模型,探索提高光伏发电功率预测准确率的途径。主要的研究内容如下:（1）探索光伏发电的各种影响因素,构建算法预测模型研究的前期理论基础。本文主要讨论了光伏发电技术原理以及光伏系统的组成特点,结合各气象条件因素对光伏发电输出功率的影响进行综合分析。（2）对光伏发电输出功率历史数据进行了数据预处理。本文采用国能日新光伏发电功率预测大数据竞赛的数据作为原始数据。将原始数据进行异常值处理、特征变量关联度分析等数据处理操作,划分出新的数据集。（3）提出并建立了长短时记忆卷积混合神经网络（LSTM-CNN）算法模型,同时通过实验验证了该模型的优越性。首先根据卷积神经网络（CNN）和长短时记忆... 

【文章来源】：重庆理工大学重庆市

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 物理模型方法
        1.2.2 传统统计学方法
        1.2.3 人工智能方法
    1.3 本文主要研究内容与章节安排
2 光伏发电特性及输出功率影响因素
    2.1 光伏发电技术原理
    2.2 光伏发电系统
        2.2.1 独立型光伏发电系统
        2.2.2 并网型光伏发电系统
        2.2.3 混合型光伏发电系统
    2.3 光伏发电输出功率影响因素分析
        2.3.1 K-Means天气聚类
        2.3.2 天气类型的影响
        2.3.3 季节类型的影响
        2.3.4 辐照度的影响
        2.3.5 风速的影响
        2.3.6 风向的影响
        2.3.7 温度的影响
        2.3.8 湿度的影响
        2.3.9 压强的影响
    2.4 本章小结
3 光伏发电功率数据处理
    3.1 数据预处理
        3.1.1 异常值检测和替换
        3.1.2 数据标准化
    3.2 特征关联度分析
        3.2.1 灰色关联度分析
        3.2.2 回归分析R2 值
        3.2.3 特征选择
    3.3 数据集的建立
    3.4 本章小结
4 基于LSTM-CNN的光伏发电功率预测
    4.1 卷积神经网络
        4.1.1 卷积层
        4.1.2 池化层
        4.1.3 全连接层
        4.1.4 激活函数
    4.2 长短时记忆神经网络
        4.2.1 输入门
        4.2.2 遗忘门
        4.2.3 输出门
        4.2.4 随机失活机制
    4.3 基于LSTM-CNN预测模型的建立
    4.4 实验平台
    4.5 预测模型评价指标
    4.6 多种模型在天气与季节分类下的测试结果与分析
        4.6.1 天气分类测试结果
        4.6.2 季节分类测试结果
    4.7 本章小结
5 基于GA-LSTM-CNN的光伏发电功率预测
    5.1 遗传优化算法
        5.1.1 初始化种群
        5.1.2 适应度函数
        5.1.3 选择
        5.1.4 交叉
        5.1.5 变异
        5.1.6 循环评判
    5.2 基于GA-LSTM-CNN预测模型的建立
    5.3 多种模型在天气与季节分类下的测试结果与分析
        5.3.1 天气分类测试结果
        5.3.2 季节分类测试结果
    5.4 本章小结
6 总结与展望
    6.1 本论文工作总结
    6.2 后续工作展望
致谢
参考文献
附录
    个人简历、在学期间发表的学术论文及取得的研究成果


【参考文献】：
期刊论文
[1]多维时间序列异常检测算法综述[J]. 胡珉,白雪,徐伟,吴秉键.  计算机应用. 2020(06)
[2]基于遗传算法的超疏水冷凝表面结构优化[J]. 龙绮睿.  价值工程. 2020(01)
[3]基于改进遗传算法的智能电网频谱分配性能研究[J]. 张磊,任敬斌,邱昱,金铭.  电力信息与通信技术. 2019(12)
[4]基于B型灰色关联度的雷达与ESM航迹关联算法[J]. 顾一休,李军,邱令存,曹政.  空天防御. 2019(04)
[5]超启发式遗传算法求解模糊柔性作业车间调度[J]. 李尚函,胡蓉,钱斌,张梓琪,金怀平.  控制理论与应用. 2020(02)
[6]基于ARIMA和SVR的光伏电站超短期功率预测[J]. 赫卫国,郝向军,郭雅娟,曹潇,陈锦铭,梅飞,刘皓明.  广东电力. 2017(08)
[7]基于历史数据纵向匹配的光伏功率预测方法研究[J]. 贺衬心,王景丹,霍富强,董永超,王留送.  高压电器. 2017(05)
[8]基于提升小波-BP神经网络的光伏阵列短期功率预测[J]. 丁坤,丁汉祥,王越,高列,刘振飞.  可再生能源. 2017(04)
[9]基于无迹卡尔曼滤波神经网络的光伏发电预测[J]. 李春来,张海宁,杨立滨,杨军,王平.  重庆大学学报. 2017(04)
[10]基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 丁明,徐宁舟.  电网技术. 2011(01)

博士论文
[1]任意条件下光伏阵列的输出性能预测[D]. 翟载腾.中国科学技术大学 2008

硕士论文
[1]基于人工智能的光伏发电短期功率预测技术[D]. 白会杰.北京交通大学 2019
[2]基于深度学习的光伏发电量预测模型研究[D]. 郑强.华北电力大学 2019
[3]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018



本文编号：3438643