隨著全球能源危機(jī)加劇以及環(huán)境污染日益加重,各國將更多的注意力放在了新能源并網(wǎng)發(fā)電的戰(zhàn)略上。在這樣的背景下,太陽能以其蘊(yùn)量豐富、清潔環(huán)保等優(yōu)點(diǎn)在近幾年迅速滲透到現(xiàn)代電力網(wǎng)絡(luò)和能源系統(tǒng)中。不過,由于太陽能發(fā)電技術(shù)受諸多因素的影響具有很強(qiáng)的不確定性,假若不能準(zhǔn)確預(yù)測、給電力網(wǎng)絡(luò)的運(yùn)行調(diào)度提供可靠依據(jù),則會嚴(yán)重影響電網(wǎng)運(yùn)行的安全穩(wěn)定和可靠性能。為了降低光伏發(fā)電對電力系統(tǒng)的負(fù)面影響,我們需要對光伏發(fā)電功率進(jìn)行盡可能準(zhǔn)確的預(yù)測,以便后續(xù)電網(wǎng)的運(yùn)行調(diào)度有依據(jù)可尋。為此,尋覓預(yù)測精度高的方法是非常有必要的。提出了一種基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的混合型光伏發(fā)電功率點(diǎn)預(yù)測新方法。該方法先利用小波分解技術(shù)將原始光伏發(fā)電功率序列分解成多個不同頻率的子序列,然后分別基于各子序列建立不同的卷積神經(jīng)網(wǎng)絡(luò)子模型,這些子模型的輸入與光伏發(fā)電功率序列分解后的子序列一一對應(yīng),而子模型的輸出則對應(yīng)輸入子序列的預(yù)測值。最后將由各子預(yù)測模型得到的預(yù)測序列進(jìn)行小波重構(gòu),便得到完整的光伏發(fā)電功率預(yù)測序列。將上述點(diǎn)預(yù)測模型與分位數(shù)回歸分析相結(jié)合搭建了光伏發(fā)電功率的概率預(yù)測模型。該模型以點(diǎn)預(yù)測模型得到的預(yù)測序列和其與真實(shí)值之間的誤差序列...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景與研究意義
    1.2 光伏發(fā)電研究現(xiàn)狀
    1.3 光伏發(fā)電功率預(yù)測研究現(xiàn)狀
    1.4 本文主要內(nèi)容
第2章 光伏發(fā)電功率預(yù)測的經(jīng)典方法
    2.1 光伏發(fā)電站出力特性
    2.2 光伏發(fā)電功率預(yù)測方法分類
    2.3 光伏發(fā)電功率的典型預(yù)測方法
    2.4 小結(jié)
第3章 基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率點(diǎn)預(yù)測方法
    3.1 小波分解算法
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的卷積層
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)的池化層
    3.3 基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)預(yù)測
        3.3.1 數(shù)據(jù)維度轉(zhuǎn)換
        3.3.2 點(diǎn)預(yù)測流程與機(jī)制
    3.4 小結(jié)
第4章 基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率概率預(yù)測方法
    4.1 概率預(yù)測流程與機(jī)制
    4.2 預(yù)測性能評價指標(biāo)
    4.3 小結(jié)
第5章 仿真設(shè)計(jì)與結(jié)果分析
    5.1 光伏發(fā)電功率數(shù)據(jù)的收集與整理
    5.2 點(diǎn)預(yù)測實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.3 概率預(yù)測實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.4 小結(jié)
第6章 工作總結(jié)和研究展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果



本文編號：3778688