隨著光伏發(fā)電的配網比例上升,光伏系統(tǒng)大規(guī)模并網到電網中給生產和運營帶來了巨大挑戰(zhàn),因此迫切需要對光伏預測技術進行研究。準確的光伏預測結果具有指導性的作用,電力運營機構可以借此采取及時的響應措施:優(yōu)化發(fā)電計劃;提高電網的峰值調度能力;合理地安排維護,減少機組損耗。光伏預測技術對于電網運行具有很高的經濟價值。本文介紹了光伏發(fā)電的預測方式,并對現有的技術做出總結歸納。人工神經網絡能夠處理復雜的非線性問題,因此將其作為預測方法并建立預測模型,對影響光伏發(fā)電的氣象因素進行相關性分析以確定模型的輸入數據。復雜天氣條件導致光伏系統(tǒng)的間歇性,隨機性和從變性,這使光伏預測變得困難。遞歸神經網絡（Recurrent neural network,RNN）被認為是時間序列數據預測的有效工具。但是,當天氣劇烈變化時,長期變量序列可能會在RNN的訓練過程中導致梯度消失（爆炸）,從而使預測結果達到局部最優(yōu)。為避免上述問題并優(yōu)化預測性能,采用具有長短期記憶（Long short-term memory,LSTM）單元的RNN建立預測模型。此外,由于LSTM復雜的結構,CPU和GPU等通用處理器無法有效地實現LSTM... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數】：72 頁

【學位級別】：碩士

【部分圖文】：

圖１．１中國光伏裝機情況??光伏發(fā)電系統(tǒng)在普及方面仍面臨許多挑戰(zhàn)，在沒有儲能設備的情況下將光??

ｎｙ，?Ｓｅｐ．?３０ｔｈ．?２０１５?？１０００??Ｒａｉｎｙ．?Ｆｅｂ．?２２ｒ：ｄ．?２０１５??Ｊ?－＾－Ｃｌｏｕｄｙ．?Ｎｏｖ．?２８ｔ？，．?２０１５?■?－＾－Ｃｌｏｕｄｙ，?Ｍａｒｃｈ?１７，ｈ．?２０１５??＾?８００：?＾?８００??ｉ６００１?、＇?ｉ６〇０??０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００?０６：００?０８：００?１０：００?１２：００?１４：００?１６：００?１８：００??Ｔｉｍｅ?Ｔｉｍｅ??圖２．１四個季節(jié)在不同天氣情況下的典型太輻射ｔ??１）氣溫??由圖２．１可知，在溫度較高的季節(jié)時，太陽輻射量比較高；在溫度較低的冬??季時，太陽輻射量也會相應的下降。由此可見，溫度與太陽輻射量有著較大相??關性，從而對光伏發(fā)電量產生較大的影響。??２）太陽高度角??太陽高度反映了太陽與地球（地平線）所處的夾角大校如圖２．２所示，太??陽的入射光線與地球切面的夾角ｃｐ越大，太陽和地球之間的距離越小，所以太??陽輻射量就越大。當入射光線垂直于水平面時，太陽與地球之間的距離最短，??太陽對地表輻射達到最大值。??３）濕度??太陽輻照度會影響環(huán)境溫度，氣溫則對濕度有著直接影響。濕度是指空氣??中水蒸氣的量。水蒸氣増多會使地面接受的太陽輻射強度降低。這將對光伏發(fā)??電量造成一定影響。太陽輻射量高，水汽蒸發(fā)多，濕度低；反之，水汽蒸發(fā)少，??濕度高。陰雨天氣太陽輻射少，濕度高。濕度間接反映了太陽輻射量的大校??１０??

個結構較大的祌經網絡，這種情況下使用反向??傳播法會ＩＩ丨現梯度消失或梯度爆炸的問題，從而使預測結澩陷入局部烺優(yōu)解。??過度的訓練還會使網絡過擬合。??３）動量和學習系數討以通過改變祌經元的每個連接權重促進學＞ｊ速度。然??而學習系數過大將導致網絡不穩(wěn)定，過小則影響收斂速度。??３．２?ＲＢＦ神經網絡??３．２．１ＲＢＦ神經網絡概述??１９８８年，Ｍｏｏｄｙ和Ｄａｒｋｅｎ１４９１提出了一種基于徑向基函數（Ｒａｄｉｃａｌ?Ｂａｓｉｓ??Ｆｕｎｃｔｉｏｎ．?ＲＢＦ）的神經網絡結構。如圖３．２所示，ＲＢＦＮＮ是一種具三層結構的前??饋型神經網絡。ＲＢＦＮＮ的輸入層與隱藏層之間的權重為１，僅僅起到傳輸信號??的作用；ＲＢＦＮＮ的核心知識在于隱藏層的徑向基函數，通常采用對稱且衰減的??〇，（?ＩＩ?ｘ－ｃｉ?ＩＩ?）??，Ｃ｜?＇?ＷｅＲｋｘｍ??，廣＇?，，Ｉ、一ｒ＇、??＾?ｙ＇ｘ－ｘ＂ｘ?：：??廠、／，，Ｙ?＇?．??＼?Ｘ＇ｉ?Ｋ?Ｔ．?｝－Ｙｍ??＇＼．４，，ｖ：Ｚ?、、．ｊ??＼?Ｃｋ?；??０ｋ（?｜｜?ｘ－ｃｋ?ＩＩ?）??圖３．２ＲＢＦ神經網絡結構??１６??

【參考文獻】：
期刊論文
[1]基于回歸分析法的光伏發(fā)電功率預測模型研究[J]. 姚寧,周力民,陳城.  機械工程師. 2020(02)
[2]全球視角下中國光伏行業(yè)的發(fā)展及反傾銷[J]. 于洋.  科技經濟導刊. 2020(02)
[3]光伏2020展望（1）:國內需求有望重回50GW[J]. 肖俊清.  股市動態(tài)分析. 2019(48)
[4]適用于分布式光伏接入中壓直流配網的三電平零電流開關變換器[J]. 吳健,Syed Waqar Azeem,朱小明,夏峰,連建陽,寧光富.  電網技術. 2019(12)
[5]基于改進的皮爾遜相關系數的低壓配電網拓撲結構校驗方法[J]. 肖勇,趙云,涂治東,錢斌,常潤勉.  電力系統(tǒng)保護與控制. 2019(11)
[6]基于多變量LSTM的工業(yè)傳感器時序數據預測[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計算機與應用. 2018(05)
[7]Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks[J]. Saad Parvaiz DURRANI,Stefan BALLUFF,Lukas WURZER,Stefan KRAUTER.  Journal of Modern Power Systems and Clean Energy. 2018(02)
[8]基于混沌-RBF神經網絡的光伏發(fā)電功率超短期預測模型[J]. 王育飛,付玉超,孫路,薛花.  電網技術. 2018(04)
[9]基于樣本擴張灰色關聯分析的光伏出力預測[J]. 陳中,宗鵬鵬.  太陽能學報. 2017(11)
[10]基于S-BGD和梯度累積策略的改進深度學習方法及其在光伏出力預測中的應用[J]. 黎靜華,黃乾,韋善陽,黃玉金.  電網技術. 2017(10)

碩士論文
[1]基于神經網絡的地震災害損失預測研究[D]. 張志棟.云南大學 2016
[2]牽引供電在線監(jiān)測系統(tǒng)算法及實現研究[D]. 解廣.石家莊鐵道大學 2014
[3]風能及光伏發(fā)電功率短期預測方法研究[D]. 陳垣毅.浙江大學 2013
[4]基于雙重不確定性并網光伏發(fā)電極限容量計算研究[D]. 王福菊.華北電力大學 2012



本文編號：3309065