太陽能光伏發(fā)電技術(shù)因其零污染、安全可靠和無噪聲等優(yōu)勢已成為可再生能源技術(shù)領(lǐng)域的重點研究對象。采用人工神經(jīng)網(wǎng)絡(luò)來預測光伏發(fā)電系統(tǒng)輸出功率的方法已被廣泛應(yīng)用。然而,由于存在參數(shù)設(shè)置繁瑣、預測性能不穩(wěn)定等缺陷,基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的光伏發(fā)電功率預測模型無法適用于不同的預測場合。為此,基于極限學習機、長短時記憶神經(jīng)網(wǎng)絡(luò)和輔助優(yōu)化算法,本文設(shè)計了兩種光伏發(fā)電功率預測模型,具體內(nèi)容如下:為保證預測模型的穩(wěn)定性和準確性,提出了一種基于極限學習機的日前光伏發(fā)電功率預測方案。在該預測方案中,為了提高訓練樣本的質(zhì)量并減少訓練模型所消耗的時間,設(shè)計了一種相似日分析方法。此外,利用遺傳算法優(yōu)化極限學習機的初始權(quán)值和閾值來提高該預測方案的性能。通過使用澳大利亞愛麗絲泉真實數(shù)據(jù)集對該方案在四個季節(jié)下預測結(jié)果的準確性進行了分析,結(jié)果表明真實值與對應(yīng)的預測值之間具有良好的一致性。通過與其他預測方案的對比分析,進一步驗證了該預測方案的精確性和穩(wěn)定性�？紤]到噪聲數(shù)據(jù)對預測結(jié)果的影響,結(jié)合經(jīng)驗模式分解、正弦余弦算法和長短時記憶網(wǎng)絡(luò)設(shè)計了一種光伏發(fā)電功率預測模型。借助基于經(jīng)驗模式分解的去噪方法對原始數(shù)據(jù)進行處理,避免了噪聲數(shù)...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容與章節(jié)安排
第2章 光伏發(fā)電功率預測算法基礎(chǔ)
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 反向傳播神經(jīng)網(wǎng)絡(luò)
        2.1.2 長短時記憶網(wǎng)絡(luò)
        2.1.3 極限學習機
    2.2 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
    2.3 支持向量回歸
    2.4 智能優(yōu)化算法
        2.4.1 遺傳算法
        2.4.2 正弦余弦算法
    2.5 經(jīng)驗模式分解
    2.6 本章小結(jié)
第3章 基于相似日分析方法和極限學習機的光伏發(fā)電功率預測模型
    3.1 相似日分析
    3.2 預測方案描述
    3.3 系統(tǒng)整體設(shè)計方案分析
    3.4 實例分析
        3.4.1 數(shù)據(jù)來源與預測框架說明
        3.4.2 季節(jié)性分析
        3.4.3 對比分析
    3.5 本章小結(jié)
第4章 基于正弦余弦算法和長短時記憶網(wǎng)絡(luò)的光伏發(fā)電功率預測模型
    4.1 數(shù)據(jù)去噪處理
    4.2 長短時記憶網(wǎng)絡(luò)的優(yōu)化
    4.3 預測方案描述
    4.4 系統(tǒng)整體設(shè)計方案分析
    4.5 實例分析
        4.5.1 數(shù)據(jù)來源與分析
        4.5.2 參數(shù)設(shè)置分析
        4.5.3 季節(jié)性分析
        4.5.4 對比分析
    4.6 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻
攻讀學位期間的研究成果



本文編號：3918863