人工智能方法在光伏发电功率预测中的应用研究

发布时间：2021-06-16 11:25

　　光伏发电系统输出功率具有不连续性和不稳定性的特点,并网后会对电网的稳定性造成一定的影响。为了减小光伏发电系统带来的不良影响,光伏发电功率预测已经成为国内外共同关注的焦点。它有利于电网系统的调度,在一定程度上减轻光伏发电对整个电网的不利影响,提高系统的安全性和稳定性,同时减少电力系统的运行成本。本文采用石家庄某光伏电站的光伏发电数据作为样本数据。首先,对光伏发电功率和太阳辐射强度进行相关性分析,将相关性较大的因素作为预测参考量。同时,介绍了灰色关联度分析,为太阳辐射强度预测模型样本的筛选提供了理论基础。其次,使用BP神经网络对光伏发电功率进行直接预测和间接预测。结果表明,在历史数据有限的条件下,直接预测效果要优于间接预测。再次,采用网格搜索算法优化支持向量机的两个参数。在此基础上建立预测模型,并将预测结果与BP神经网络预测结果进行对比。结果表明,支持向量机预测精度要高于BP神经网络。最后,在.net环境下实现光伏发电功率预测,采用dundas chart控件来进行页面展示。 

【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 论文研究的主要内容
第2章 主要影响因素及样本筛选的研究
    2.1 光伏发电功率主要影响因素
    2.2 数据相关性分析
        2.2.1 相关系数的概念
        2.2.2 太阳辐射强度与各主要因素的相关性分析
        2.2.3 发电功率与各主要因素的相关性分析
    2.3 灰色关联度分析筛选样本数据
    2.4 本章小结
第3章 神经网络在光伏发电功率预测中的应用研究
    3.1 人工神经网络
        3.1.1 人工神经网络概述
        3.1.2 人工神经网络原理
    3.2 BP神经网络
        3.2.1 BP神经网络概述
        3.2.2 BP神经网络算法原理
    3.3 BP神经网络在光伏发电功率预测中的应用
        3.3.1 预测模型的建立
        3.3.2 样本的选择和预处理
        3.3.3 预测模型的评估
    3.4 仿真结果分析
        3.4.1 直接预测结果分析
        3.4.2 间接预测结果分析
            3.4.2.1 太阳辐射强度预测结果分析
            3.4.2.2 发电功率预测结果分析
        3.4.3 多步预测结果分析
    3.5 本章小结
第4章 支持向量机在光伏发电功率预测中的应用研究
    4.1 统计学习的基本概念
        4.1.1 VC维
        4.1.2 推广性的界
        4.1.3 结构风险最小化原则
    4.2 支持向量机理论
        4.2.1 支持向量回归机
        4.2.2 核函数
    4.3 参数优化
    4.4 基于支持向量机的光伏发电功率预测
    4.5 本章小结
第5章 光伏发电功率预测的实现
    5.1 实现环境与工具
    5.2 数据层实现
    5.3 功能实现
    5.4 界面展示
    5.5 本章小结
第6章 总结与展望
    6.1 研究成果总结
    6.2 未来工作展望
参考文献
攻读硕士学位期间发表的学术论文及其他成果
致谢


【参考文献】：
期刊论文
[1]基于反馈型神经网络的光伏系统发电功率预测[J]. 张艳霞,赵杰.  电力系统保护与控制. 2011(15)
[2]考虑相关因素的最小二乘支持向量机风速预测方法[J]. 栗然,陈倩,徐宏锐.  电力系统保护与控制. 2010(21)
[3]基于神经网络的光伏系统发电功率预测[J]. 张岚,张艳霞,郭嫦敏,赵杰.  中国电力. 2010(09)
[4]基于发电预测的分布式发电能量管理系统[J]. 陈昌松,段善旭,殷进军,蔡涛.  电工技术学报. 2010(03)
[5]基于神经网络的光伏阵列发电预测模型的设计[J]. 陈昌松,段善旭,殷进军.  电工技术学报. 2009(09)
[6]支持向量机及其训练算法[J]. 宋杰.  韶关学院学报. 2008(03)
[7]基于Matlab的BP神经网络结构与函数逼近能力的关系分析[J]. 罗玉春,都洪基,崔芳芳.  现代电子技术. 2007(24)
[8]支持向量机的研究现状[J]. 柳回春,马树元.  中国图象图形学报. 2002(06)
[9]相关系数及其应用[J]. 郭红霞.  武警工程大学学报. 2010 (02)

博士论文
[1]支持向量回归在预测控制中的应用研究[D]. 杨金芳.华北电力大学（河北） 2007

硕士论文
[1]基于FSVM的高光谱遥感影像分类算法研究[D]. 马莉.河南大学 2010
[2]支持向量机方法在风电场风速预测中的应用研究[D]. 曹慧.华北电力大学（北京） 2010
[3]基于支持向量机的电网负荷预测系统研究[D]. 刘晨.河北农业大学 2009
[4]基于web日志挖掘的用户访问预测研究[D]. 陈希友.厦门大学 2009
[5]自适应神经网络模糊推理在中长期电力负荷预测中的应用[D]. 覃彬.湖南大学 2008
[6]基于神经网络和支持向量机的光伏最大功率跟踪研究[D]. 唐彬.汕头大学 2008
[7]考虑光伏并网发电的短期负荷预测[D]. 李广敏.华北电力大学（河北） 2007
[8]基于模糊神经网络的短期电力负荷预测的研究[D]. 崔志坤.华北电力大学（河北） 2008
[9]支持向量机中参数选取的一个问题[D]. 霍罕妮.大连理工大学 2007
[10]基于随机神经网络的多用户检测技术[D]. 韩静.太原理工大学 2007



本文编号：3232986