基于深度学习理论的光伏功率短期预测研究

发布时间：2024-06-30 03:55

　　精确的光伏发电预测可以有效缓解光伏发电功率的强波动性对电力系统安全运行带来的冲击。由于光伏输出功率在很大程度上取决于光伏电站所处的天气状况,故基于精确天气分类的光伏发电预测建模是提高光伏预测精度的有效方法。然而,现实中历史辐照度数据往往存在天气类型标签缺失现象,为更好对缺失标签数据进行有效识别,我们需要建立天气分类识别模型。天气分类模型在训练过程中常会遇到训练数据集不足(特别是极端天气类型)和所使用的分类器选择困难的问题。鉴于上述考虑,本文提出了一种基于生成对抗网络的训练样本扩充方法和基于卷积神经网络的天气分类模型。首先,将气象中心提供的33类气象天气类型根据特点重新归纳为10类广义天气类型,然后针对10类天气类型下的辐照度数据分别利用基于生成对抗网络的生成模型来增加辐照度训练数据集,最后将数据增强后的辐照度数据集训练基于卷积神经网络的天气分类模型,其中增强后辐照度数据集由原始和生成的辐照度数据组成。训练完成的天气分类模型可以对历史数据缺失标签进行有效识别,而这些带标签的辐照度数据将后续应用于辐照度预测过程。在仿真过程中,我们评估了生成对抗网络生成数据的质量,并对卷积神经网络分类模型与...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 光伏功率短期预测研究现状
    1.3 本文主要工作
第2章 基于深度学习理论的天气状态模式识别模型
    2.1 基于深度学习的生成模型
        2.1.1 GAN
        2.1.2 Wasserstein GAN
        2.1.3 WGAN-GP
        2.1.4 GAN、WGAN、WGAN-GP三种模型生成样本对比
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 逻辑回归层
        2.2.5 一维卷积和二维卷积
    2.3 基于WGAN-GP和卷积神经网络的天气分类模型
    2.4 仿真算例
        2.4.1 仿真数据和仿真平台
        2.4.2 深度学习模型结构和超参数
        2.4.3 生成样本质量评估
        2.4.4 不同模型准确率对比
        2.4.5 天气分类模型在辐照度预测应用
    2.5 本章小结
第3章 基于天气状态分类和深度学习理论的辐照度预测模型
    3.1 预测模型的组成
        3.1.1 小波分解理论
        3.1.2 循环神经网络
        3.1.3 长短期记忆网络
        3.1.4 双向长短期记忆网络
    3.2 循环神经网络性能测试
    3.3 基于天气分类的深度学习预测模型建立
    3.4 仿真算例
        3.4.1 仿真数据和仿真平台
        3.4.2 数据处理
        3.4.3 性能指标
        3.4.4 模型训练和参数选择
        3.4.5 基于DWT-CNN-LSTM不同小波分解阶数模型性能分析
        3.4.6 不同辐照度预测模型性能分析
        3.4.7 仿真讨论
    3.5 本章小结
第4章 结论与展望
    4.1 结论
    4.2 展望
参考文献
攻读硕士学位期间发表的论文及其它成果
攻读硕士学位期间参加的科研工作
致谢



本文编号：3998346