基于深度學(xué)習(xí)的光伏發(fā)電量預(yù)測模型研究
發(fā)布時間:2023-02-15 09:30
目前太陽能資源在世界范圍大量開發(fā)利用,但實際使用量還遠(yuǎn)未達(dá)到人類的能源需求。隨著可再生能源利用尤其是太陽能資源開發(fā)利用的增加,精準(zhǔn)的光伏發(fā)電預(yù)測技術(shù)將有助于光伏發(fā)電的推廣。光伏發(fā)電量取決于天氣條件,不同天氣條件下易產(chǎn)生較大幅度的波動,其發(fā)電量具有隨機(jī)性、波動性和間歇性的特點。由于光伏發(fā)電的不穩(wěn)定性,基于區(qū)域?qū)μ柲芾煤烷_發(fā)進(jìn)行切實可行的規(guī)劃具有較大的難度。因此,準(zhǔn)確的發(fā)電預(yù)測對于確保電網(wǎng)穩(wěn)定性和經(jīng)濟(jì)調(diào)度至關(guān)重要。為提高光伏發(fā)電的預(yù)測精度,降低光伏發(fā)電不穩(wěn)定性的影響,本文提出了一種基于深度學(xué)習(xí)的端到端光伏發(fā)電預(yù)測模型。主要工作包括:(1)光伏發(fā)電數(shù)據(jù)預(yù)處理方法根據(jù)獲取的某分布式光伏發(fā)電站中三個小型分布式光伏發(fā)電站的實時發(fā)電原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,包括LOF異常值剔除,數(shù)值歸一化以及基于馬爾科夫蒙特卡洛方法的缺失值的填充,根據(jù)原始數(shù)據(jù)進(jìn)行5,15,30min時間精度的劃分。(2)提出基于深度學(xué)習(xí)的序列預(yù)測模型根據(jù)不同模型對比研究,本文利用天氣預(yù)報氣象數(shù)據(jù)提出了一種光伏發(fā)電預(yù)測模型。本研究將預(yù)測問題轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)化的序列輸出預(yù)測問題,同時預(yù)測多個輸出。該模型以Bi-LSTM(雙向長短期記憶)為...
【文章頁數(shù)】:62 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究意義
1.2 光伏發(fā)電預(yù)測研究現(xiàn)狀
1.2.1 統(tǒng)計方法
1.2.2 光伏性能模型
1.2.3 混合模型
1.2.4 深度學(xué)習(xí)
1.3 本文主要研究內(nèi)容
1.4 論文結(jié)構(gòu)
第2章 發(fā)電量預(yù)測方法
2.1 經(jīng)典發(fā)電量預(yù)測方法
2.1.1 時間序列預(yù)測
2.1.2 最小二乘法支持向量機(jī)
2.1.3 梯度提升樹
2.2 神經(jīng)網(wǎng)絡(luò)
2.2.1 RNN
2.2.2 RNN-LSTM
2.2.3 Bi-LSTM
2.2.4 正則化機(jī)制
2.3 本章小節(jié)
第3章 光伏發(fā)電數(shù)據(jù)集數(shù)據(jù)預(yù)處理方法
3.1 基于馬爾科夫蒙特卡洛方法的缺失值數(shù)據(jù)處理
3.2 基于局部異常因子的異常值檢測方法
3.3 數(shù)據(jù)標(biāo)準(zhǔn)化
3.4 本章小結(jié)
第4章 基于BI-LSTM的SEQ2SEQ光伏發(fā)電量預(yù)測模型
4.1 基于BI-LSTM的SEQ2SEQ光伏發(fā)電量預(yù)測模型架構(gòu)
4.1.1 模型輸入層
4.1.2 模型隱藏層
4.1.3 模型輸出層
4.2 激活函數(shù)
4.3 基于時間的反向傳播算法
4.4 本章小結(jié)
第5章 算例分析
5.1 光伏發(fā)電數(shù)據(jù)預(yù)處理
5.1.1 光伏發(fā)電站實測數(shù)據(jù)缺失值分析
5.1.2 光伏發(fā)電站實測數(shù)據(jù)相關(guān)性分析
5.1.3 光伏發(fā)電站實測數(shù)據(jù)異常值分析
5.2 評價指標(biāo)
5.3 模型參數(shù)與對比模型設(shè)置
5.3.1 模型參數(shù)設(shè)置
5.3.2 對比模型設(shè)置
5.4 預(yù)測結(jié)果
5.5 本章小結(jié)
第6章 研究結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝
本文編號:3743256
【文章頁數(shù)】:62 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究意義
1.2 光伏發(fā)電預(yù)測研究現(xiàn)狀
1.2.1 統(tǒng)計方法
1.2.2 光伏性能模型
1.2.3 混合模型
1.2.4 深度學(xué)習(xí)
1.3 本文主要研究內(nèi)容
1.4 論文結(jié)構(gòu)
第2章 發(fā)電量預(yù)測方法
2.1 經(jīng)典發(fā)電量預(yù)測方法
2.1.1 時間序列預(yù)測
2.1.2 最小二乘法支持向量機(jī)
2.1.3 梯度提升樹
2.2 神經(jīng)網(wǎng)絡(luò)
2.2.1 RNN
2.2.2 RNN-LSTM
2.2.3 Bi-LSTM
2.2.4 正則化機(jī)制
2.3 本章小節(jié)
第3章 光伏發(fā)電數(shù)據(jù)集數(shù)據(jù)預(yù)處理方法
3.1 基于馬爾科夫蒙特卡洛方法的缺失值數(shù)據(jù)處理
3.2 基于局部異常因子的異常值檢測方法
3.3 數(shù)據(jù)標(biāo)準(zhǔn)化
3.4 本章小結(jié)
第4章 基于BI-LSTM的SEQ2SEQ光伏發(fā)電量預(yù)測模型
4.1 基于BI-LSTM的SEQ2SEQ光伏發(fā)電量預(yù)測模型架構(gòu)
4.1.1 模型輸入層
4.1.2 模型隱藏層
4.1.3 模型輸出層
4.2 激活函數(shù)
4.3 基于時間的反向傳播算法
4.4 本章小結(jié)
第5章 算例分析
5.1 光伏發(fā)電數(shù)據(jù)預(yù)處理
5.1.1 光伏發(fā)電站實測數(shù)據(jù)缺失值分析
5.1.2 光伏發(fā)電站實測數(shù)據(jù)相關(guān)性分析
5.1.3 光伏發(fā)電站實測數(shù)據(jù)異常值分析
5.2 評價指標(biāo)
5.3 模型參數(shù)與對比模型設(shè)置
5.3.1 模型參數(shù)設(shè)置
5.3.2 對比模型設(shè)置
5.4 預(yù)測結(jié)果
5.5 本章小結(jié)
第6章 研究結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝
本文編號:3743256
本文鏈接:http://www.sikaile.net/jingjilunwen/gongyejingjilunwen/3743256.html
最近更新
教材專著