基于回声状态神经网络的光伏发电功率预测模型研究

发布时间：2017-08-15 19:24

  本文关键词：基于回声状态神经网络的光伏发电功率预测模型研究

  更多相关文章： 光伏发电功率 回声状态神经网络 相空间重构 层级划分 模块化回声状态神经网络

【摘要】：随着全球能源互联网建设的不断加快和清洁能源的大规模开发,新兴能源技术越来越受到世界的关注。光伏发电作为智能电网建设中的清洁能源,已经得到了广泛的应用和发展。然而,智能电网中的光伏发电系统由于受到各种因素的影响,其发电功率会变得非常不稳定,这导致其大规模并网运行后对电网产生冲击,使得电网无法安全稳定地运行。因此,如何对光伏发电功率进行精确而有效的预测,对于加快推进智能电网的建设具有深远而重大的意义。本文对光伏发电的相关技术做了具体介绍,并对其在智能电网中的发展进行了探讨,指出了准确的光伏发电功率预测的必要性。通过对光伏发电的影响因素做全面地分析,找出与其相关性较强的影响因素加以利用,为实现后续功率的精确预测工作做准备。针对光伏出力不稳定性的问题,本文提出了基于回声状态神经网络的光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且仅采用线性算法求得网络输出权值即可,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。利用实际光伏发电站的历史数据和气象数据进行仿真验证,仿真结果表明,基于回声状态神经网络的光伏发电功率预测模型具有良好的预测精度和预测稳定性。由于回声状态神经网络预测模型的闭环自治性,其预测结果容易产生误差积累,为了进一步提高光伏发电功率预测的精度和稳定性,本文又提出了基于模块化回声状态神经网络的光伏发电功率预测模型。该模型首先对储备池状态空间进行重构,然后再对储备池结构进行层级划分,使得每层包含相等的区域模块,每个模块都具备不同的功能,这样就极大地减小了神经元间的耦合度,提高了储备池的动态处理能力。仿真验证表明相对于回声状态神经网络的光伏发电功率预测模型,基于模块化回声状态神经网络的光伏发电功率预测模型具有更好的预测性能。
【关键词】：光伏发电功率 回声状态神经网络 相空间重构 层级划分 模块化回声状态神经网络
【学位授予单位】：青岛大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM615;TP183
【目录】：

• 摘要2-3
• Abstract3-6
• 第一章 绪论6-16
• 1.1 课题研究的背景和意义6-9
• 1.1.1 课题的研究背景6-8
• 1.1.2 课题的研究意义8-9
• 1.2 课题的国内外研究现状9-14
• 1.2.1 光伏发电的国内外发展现状9-11
• 1.2.2 光伏发电功率预测的国内外研究现状11-14
• 1.3 本文主要研究工作14-16
• 第二章 光伏发电技术及光伏发电功率特性分析16-30
• 2.1 光伏发电系统16-19
• 2.1.1 太阳能电池的基本构造及工作原理16-17
• 2.1.2 光伏发电系统的组成17-18
• 2.1.3 光伏发电系统的分类18-19
• 2.2 智能电网框架下光伏发电技术的发展19-23
• 2.2.1 智能电网技术简介19-21
• 2.2.2 智能电网框架下光伏发电技术的发展21-23
• 2.3 光伏发电功率特性分析23-28
• 2.3.1 光伏发电功率的影响因素23-27
• 2.3.2 光伏发电功率数据的相关性分析27-28
• 2.4 本章小结28-30
• 第三章 基于回声状态神经网络的光伏发电功率预测模型研究30-42
• 3.1 人工神经网络30-34
• 3.1.1 人工神经网络概述30-32
• 3.1.2 常规BP神经网络原理与算法32-34
• 3.2 基于回声状态神经网络的光伏发电功率预测模型研究34-37
• 3.2.1 基于回声状态神经网络的光伏发电功率预测模型研究34-36
• 3.2.2 ESN预测模型的学习算法36-37
• 3.3 算例仿真37-40
• 3.3.1 数据预处理37
• 3.3.2 算例分析37-40
• 3.4 本章小结40-42
• 第四章 基于模块化回声状态神经网络的光伏发电功率预测模型研究42-54
• 4.1 相空间重构理论42-44
• 4.1.1 混沌系统42
• 4.1.2 Takens定理42-44
• 4.2 基于模块化回声状态神经网络的光伏发电功率预测模型44-49
• 4.2.1 储备池状态空间重构44-45
• 4.2.2 模块化回声状态神经网络预测模型45-47
• 4.2.3 MESN的学习算法47-49
• 4.3 仿真验证49-52
• 4.4 本章小结52-54
• 第五章 总结与展望54-56
• 5.1 总结54
• 5.2 展望54-56
• 参考文献56-60
• 攻读学位期间的研究成果60-62
• 致谢62-64

【相似文献】

中国期刊全文数据库 前10条

1 刘士荣;李松峰;宁康红;周啸波;荣延泽;;基于极端学习机的光伏发电功率短期预测[J];控制工程;2013年03期

2 ;科技文摘[J];中学物理教学参考;1994年08期

3 王丽婕;廖晓钟;高阳;高爽;;风电场发电功率的建模和预测研究综述[J];电力系统保护与控制;2009年13期

4 田丽;邓阅;;联合条件下风力发电风速预测[J];安徽工程大学学报;2012年03期

5 卢静;翟海青;刘纯;王晓蓉;;光伏发电功率预测统计方法研究[J];华东电力;2010年04期

6 徐星;张虹;乐海洪;徐敏;;采用气象信息的神经网络应用于短期风力发电功率预测[J];南昌大学学报(工科版);2011年01期

7 阿碧;;身背核电站移民外星[J];发明与创新(综合科技);2011年11期

8 许昌;李e，

本文编号：679892