基于模糊聚类和高斯过程回归的光伏功率预测
发布时间：2022-07-14 09:42
光伏发电已经成为继风力发电之后的可再生能源发电的新增长点。但由于光伏发电功率具有较强的波动性、随机性和间歇性,大规模光伏并网给电力系统的安全稳定运行与控制带来巨大的挑战。因此,对光伏输出功率进行合理预测,不仅能够为电网的发电计划制定、优化调度决策提供可靠依据,而且能够为多能互补系统的协调控制提供数据支撑,是提高电网接纳光伏电源的关键技术之一。本文在总结现有预测算法的基础上,针对光伏功率预测问题的特点,提出一种基于特征权重模糊聚类和改进高斯过程回归的预测模型,主要工作如下:数据预处理阶段,针对光伏输出功率与天气类型密切相关的问题,采用特征权重模糊聚类算法对天气类型进行划分,选用与预测日相同天气类型的历史数据作为模型训练样本。特别的是,由于复杂天气影响和测量设备误差等原因容易导致不良数据的出现,为降低离群值和异常值对预测结果的不良影响,在模型训练阶段,本文将传统高斯过程回归模型与孤立森林算法进行结合,提出一种加权高斯过程回归模型,异常程度较高的样本数据在模型拟合训练时将被设定为较低的影响权重,从而帮助模型更好的拟合输入变量与光伏功率之间的映射关系。模型优化阶段,采用纵横交叉算法对加权高斯过...
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景和意义
1.2 光伏功率预测方法分类
1.3 光伏功率预测技术研究现状
1.4 本文内容及章节安排
第二章 光伏输出功率的影响要素分析
2.1 光伏发电基本原理
2.2 数据简介与获取
2.3 光伏输出功率的周期特性分析
2.4 光伏输出功率的外部影响因素分析
2.4.1 太阳辐射强度对光伏输出功率的影响
2.4.2 温度对光伏输出功率的影响
2.4.3 湿度与风速对光伏输出功率的影响
2.5 本章小结
第三章 特征权重模糊聚类
3.1 特征权重模糊聚类算法
3.2 权重模糊聚类结果与分析
3.3 本章小结
第四章 加权高斯过程回归模型
4.1 高斯过程回归理论
4.1.1 权重空间视角下的高斯过程回归
4.1.2 函数空间视角下的高斯过程回归
4.2 加权高斯过程回归模型
4.2.1 加权高斯过程回归模型推导
4.2.2 基于孤立森林算法的权值获取
4.3 高斯过程回归的核函数
4.4 高斯过程回归的超参数求取方法
4.4.1 交叉验证法
4.4.2 极大似然估计法
4.5 本章小结
第五章 基于纵横交叉算法的超参数优化
5.1 纵横交叉算法基本理论
5.1.1 横向交叉
5.1.2 纵向交叉
5.1.3 竞争算子
5.2 纵横交叉算法优化加权高斯过程回归模型
5.3 本章小结
第六章 光伏输出功率预测仿真与分析
6.1 模型框架与具体实施流程
6.2 误差评价指标
6.3 算例分析
6.3.1 晴天类型仿真分析
6.3.2 多云类型仿真分析
6.3.3 雨天类型仿真分析
6.3.4 预测结果对比及分析
6.4 本章小结
总结与展望
参考文献
攻读硕士学位期间所发表的论文
致谢
【参考文献】：
期刊论文
[1]光伏发电出力预测技术研究综述[J]. 赖昌伟,黎静华,陈博,黄玉金,韦善阳. 电工技术学报. 2019(06)
[2]基于箱形图和隔离森林的施工人次数据处理与预测研究[J]. 谢志炜,温锐刚,孟安波,殷豪,刘哲. 工程管理学报. 2018(05)
[3]基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测[J]. 王继东,冉冉,宋智林. 电力自动化设备. 2018(05)
[4]高中数学教学渗透人工智能教育的策略研究[J]. 吴茂松. 学周刊. 2018(09)
[5]适用于桥梁截面温度场计算的太阳辐射模型研究综述[J]. 薛俊青,林健辉,Bruno Briseghella,陈宝春,黄福云. 福州大学学报(自然科学版). 2018(04)
[6]基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测[J]. 殷豪,曾云,孟安波,杨跞. 电网技术. 2018(05)
[7]光伏系统中地基云图的预处理[J]. 朱想,周海,朱婷婷,金山红,魏海坤. 电力系统自动化. 2018(06)
[8]微电网光伏发电的Adaboost天气聚类超短期预测方法[J]. 谭津,邓长虹,杨威,梁宁,李丰君. 电力系统自动化. 2017(21)
[9]光伏发电短期预测研究进展综述[J]. 荆博,谭伦农,钱政,裴岩,王婧怡. 电测与仪表. 2017(12)
[10]基于深度学习的超短期光伏精细化预测模型研究[J]. 史佳琪,张建华. 电力建设. 2017(06)
博士论文
[1]社交网络用户隐私关注动态影响因素及行为规律研究[D]. 郭龙飞.北京邮电大学 2013
硕士论文
[1]基于信息熵理论的光伏出力预测方法研究[D]. 陈云龙.广东工业大学 2018
[2]基于经验模态分解和极限学习机的风电功率短期预测方法研究[D]. 董朕.广东工业大学 2018
[3]光伏电站损耗模型及其功率预测方法研究[D]. 刘姣.浙江大学 2018
[4]基于数据挖掘的光伏发电建模及功率预测研究和应用[D]. 吕耀棠.华南理工大学 2018
[5]基于高斯过程回归模型的贝叶斯滤波故障诊断方法研究[D]. 祁丽洁.北京交通大学 2017
[6]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[7]基于小波包的短时风机出力组合预测模型研究[D]. 陈育成.广东工业大学 2014
[8]基于高斯过程的数据处理的研究[D]. 曲轶松.北京交通大学 2014
[9]光伏发电功率与气象影响因子关联关系的分析研究[D]. 杨光.华北电力大学 2014
本文编号：3660887
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景和意义
1.2 光伏功率预测方法分类
1.3 光伏功率预测技术研究现状
1.4 本文内容及章节安排
第二章 光伏输出功率的影响要素分析
2.1 光伏发电基本原理
2.2 数据简介与获取
2.3 光伏输出功率的周期特性分析
2.4 光伏输出功率的外部影响因素分析
2.4.1 太阳辐射强度对光伏输出功率的影响
2.4.2 温度对光伏输出功率的影响
2.4.3 湿度与风速对光伏输出功率的影响
2.5 本章小结
第三章 特征权重模糊聚类
3.1 特征权重模糊聚类算法
3.2 权重模糊聚类结果与分析
3.3 本章小结
第四章 加权高斯过程回归模型
4.1 高斯过程回归理论
4.1.1 权重空间视角下的高斯过程回归
4.1.2 函数空间视角下的高斯过程回归
4.2 加权高斯过程回归模型
4.2.1 加权高斯过程回归模型推导
4.2.2 基于孤立森林算法的权值获取
4.3 高斯过程回归的核函数
4.4 高斯过程回归的超参数求取方法
4.4.1 交叉验证法
4.4.2 极大似然估计法
4.5 本章小结
第五章 基于纵横交叉算法的超参数优化
5.1 纵横交叉算法基本理论
5.1.1 横向交叉
5.1.2 纵向交叉
5.1.3 竞争算子
5.2 纵横交叉算法优化加权高斯过程回归模型
5.3 本章小结
第六章 光伏输出功率预测仿真与分析
6.1 模型框架与具体实施流程
6.2 误差评价指标
6.3 算例分析
6.3.1 晴天类型仿真分析
6.3.2 多云类型仿真分析
6.3.3 雨天类型仿真分析
6.3.4 预测结果对比及分析
6.4 本章小结
总结与展望
参考文献
攻读硕士学位期间所发表的论文
致谢
【参考文献】：
期刊论文
[1]光伏发电出力预测技术研究综述[J]. 赖昌伟,黎静华,陈博,黄玉金,韦善阳. 电工技术学报. 2019(06)
[2]基于箱形图和隔离森林的施工人次数据处理与预测研究[J]. 谢志炜,温锐刚,孟安波,殷豪,刘哲. 工程管理学报. 2018(05)
[3]基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测[J]. 王继东,冉冉,宋智林. 电力自动化设备. 2018(05)
[4]高中数学教学渗透人工智能教育的策略研究[J]. 吴茂松. 学周刊. 2018(09)
[5]适用于桥梁截面温度场计算的太阳辐射模型研究综述[J]. 薛俊青,林健辉,Bruno Briseghella,陈宝春,黄福云. 福州大学学报(自然科学版). 2018(04)
[6]基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测[J]. 殷豪,曾云,孟安波,杨跞. 电网技术. 2018(05)
[7]光伏系统中地基云图的预处理[J]. 朱想,周海,朱婷婷,金山红,魏海坤. 电力系统自动化. 2018(06)
[8]微电网光伏发电的Adaboost天气聚类超短期预测方法[J]. 谭津,邓长虹,杨威,梁宁,李丰君. 电力系统自动化. 2017(21)
[9]光伏发电短期预测研究进展综述[J]. 荆博,谭伦农,钱政,裴岩,王婧怡. 电测与仪表. 2017(12)
[10]基于深度学习的超短期光伏精细化预测模型研究[J]. 史佳琪,张建华. 电力建设. 2017(06)
博士论文
[1]社交网络用户隐私关注动态影响因素及行为规律研究[D]. 郭龙飞.北京邮电大学 2013
硕士论文
[1]基于信息熵理论的光伏出力预测方法研究[D]. 陈云龙.广东工业大学 2018
[2]基于经验模态分解和极限学习机的风电功率短期预测方法研究[D]. 董朕.广东工业大学 2018
[3]光伏电站损耗模型及其功率预测方法研究[D]. 刘姣.浙江大学 2018
[4]基于数据挖掘的光伏发电建模及功率预测研究和应用[D]. 吕耀棠.华南理工大学 2018
[5]基于高斯过程回归模型的贝叶斯滤波故障诊断方法研究[D]. 祁丽洁.北京交通大学 2017
[6]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[7]基于小波包的短时风机出力组合预测模型研究[D]. 陈育成.广东工业大学 2014
[8]基于高斯过程的数据处理的研究[D]. 曲轶松.北京交通大学 2014
[9]光伏发电功率与气象影响因子关联关系的分析研究[D]. 杨光.华北电力大学 2014
本文编号：3660887
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3660887.html
