论文部分内容阅读
随着化石能源的日益枯竭和全球气候变化,各国对太阳能等可再生能源的开发力度不断增大,接入电网的光伏功率占比也随之增大。光伏发电功率的大小由太阳辐照强度决定,同时受环境温度、湿度等气象因素的影响,不仅具有强烈的随机性和波动性,还具有周期性和昼夜交替性,这使得大规模光伏并网会给电力系统的稳定性带来巨大的冲击。为了尽可能地降低光伏并网对电力系统造成的影响,进行短期光伏功率预测就显得很有必要,预测结果可作为电网调度和光伏电站运维的决策参考。为了进一步提高光伏发电功率预测的精度同时减少数据特征提取时的人工参与度,本文分析了国内外光伏发电预测技术和深度学习算法的研究现状,然后依托澳大利亚昆士兰大学光伏发电系统连续6年的运行数据,对光伏发电规律及输出功率的预测方法进行了分析研究,工作的主要内容如下:(1)综述了光伏功率预测技术的基本情况,分析了目前光伏功率预测方法存在的不足。以昆士兰大学屋顶光伏发电系统为例,绘制了气象因素与光伏发电功率之间的关系图,再利用Pearson相关系数公式进一步确定相关程度,同时分析了应用深度学习算法进行光伏功率预测的可行性,为后续研究奠定基础。(2)介绍了人工神经网络的基本概念以及深度置信网络、堆叠自编码网络、卷积神经网络、长短期记忆网络等深度学习算法的基本原理,分析各自具有的优缺点与适用范围,然后针对光伏功率预测问题给出改进方案。(3)对原始数据集进行了预处理和可视化分析,以确保数据的可靠性和完整性,便于后面的使用。(4)提出了一种基于LSTM深度学习模型的短期光伏发电功率预测方法。首先介绍了模型的构建流程,然后通过实验确定网络结构和关键参数,最后使用实例数据集对所建模型进行测试,对预测效果进行了总结和对比分析,说明了所提出的基于LSTM网络的短期光伏发电功率预测方法效果更佳。(5)为了综合利用不同深度学习模型的优秀性能,以进一步提升光伏预测模型的精度和泛化能力,提出了基于组合深度学习模型的短期光伏发电功率预测方法,以组合模型CNN-LSTM为例,先通过实验确定了该模型的结构参数、输入数据形式和其他关键参数,然后使用实例数据对CNN-LSTM模型进行预测实验,同时使用同一数据集测试其它两种组合深度学习模型和LSTM模型,对比模型的各项性能指标。结果表明,CNN-LSTM模型的性能最佳,说明了本文所提出的基于组合深度学习模型的短期光伏发电功率预测方法能够有效综合CNN的数据特征提取性能和LSTM的时间序列预测性能,从而获得比单一模型更优秀的效果。