隨著光伏發(fā)電的配網(wǎng)比例上升,光伏系統(tǒng)大規(guī)模并網(wǎng)到電網(wǎng)中給生產(chǎn)和運(yùn)營帶來了巨大挑戰(zhàn),因此迫切需要對(duì)光伏預(yù)測技術(shù)進(jìn)行研究。準(zhǔn)確的光伏預(yù)測結(jié)果具有指導(dǎo)性的作用,電力運(yùn)營機(jī)構(gòu)可以借此采取及時(shí)的響應(yīng)措施:優(yōu)化發(fā)電計(jì)劃;提高電網(wǎng)的峰值調(diào)度能力;合理地安排維護(hù),減少機(jī)組損耗。光伏預(yù)測技術(shù)對(duì)于電網(wǎng)運(yùn)行具有很高的經(jīng)濟(jì)價(jià)值。本文介紹了光伏發(fā)電的預(yù)測方式,并對(duì)現(xiàn)有的技術(shù)做出總結(jié)歸納。人工神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的非線性問題,因此將其作為預(yù)測方法并建立預(yù)測模型,對(duì)影響光伏發(fā)電的氣象因素進(jìn)行相關(guān)性分析以確定模型的輸入數(shù)據(jù)。復(fù)雜天氣條件導(dǎo)致光伏系統(tǒng)的間歇性,隨機(jī)性和從變性,這使光伏預(yù)測變得困難。遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent neural network,RNN）被認(rèn)為是時(shí)間序列數(shù)據(jù)預(yù)測的有效工具。但是,當(dāng)天氣劇烈變化時(shí),長期變量序列可能會(huì)在RNN的訓(xùn)練過程中導(dǎo)致梯度消失（爆炸）,從而使預(yù)測結(jié)果達(dá)到局部最優(yōu)。為避免上述問題并優(yōu)化預(yù)測性能,采用具有長短期記憶（Long short-term memory,LSTM）單元的RNN建立預(yù)測模型。此外,由于LSTM復(fù)雜的結(jié)構(gòu),CPU和GPU等通用處理器無法有效地實(shí)現(xiàn)LSTM... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１中國光伏裝機(jī)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(chǔ)能設(shè)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(gè)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(shí)，太陽輻射量比較高；在溫度較低的冬??季時(shí)，太陽輻射量也會(huì)相應(yīng)的下降。由此可見，溫度與太陽輻射量有著較大相??關(guān)性，從而對(duì)光伏發(fā)電量產(chǎn)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(dāng)入射光線垂直于水平面時(shí)，太陽與地球之間的距離最短，??太陽對(duì)地表輻射達(dá)到最大值。??３）濕度??太陽輻照度會(huì)影響環(huán)境溫度，氣溫則對(duì)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(huì)使地面接受的太陽輻射強(qiáng)度降低。這將對(duì)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(gè)結(jié)構(gòu)較大的祌經(jīng)網(wǎng)絡(luò)，這種情況下使用反向??傳播法會(huì)ＩＩ丨現(xiàn)梯度消失或梯度爆炸的問題，從而使預(yù)測結(jié)澩陷入局部烺優(yōu)解。??過度的訓(xùn)練還會(huì)使網(wǎng)絡(luò)過擬合。??３）動(dòng)量和學(xué)習(xí)系數(shù)討以通過改變祌經(jīng)元的每個(gè)連接權(quán)重促進(jìn)學(xué)＞ｊ速度。然??而學(xué)習(xí)系數(shù)過大將導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定，過小則影響收斂速度。??３．２?ＲＢＦ神經(jīng)網(wǎng)絡(luò)??３．２．１ＲＢＦ神經(jīng)網(wǎng)絡(luò)概述??１９８８年，Ｍｏｏｄｙ和Ｄａｒｋｅｎ１４９１提出了一種基于徑向基函數(shù)（Ｒａｄｉｃａｌ?Ｂａｓｉｓ??Ｆｕｎｃｔｉｏｎ．?ＲＢＦ）的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖３．２所示，ＲＢＦＮＮ是一種具三層結(jié)構(gòu)的前??饋型神經(jīng)網(wǎng)絡(luò)。ＲＢＦＮＮ的輸入層與隱藏層之間的權(quán)重為１，僅僅起到傳輸信號(hào)??的作用；ＲＢＦＮＮ的核心知識(shí)在于隱藏層的徑向基函數(shù)，通常采用對(duì)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??１６??

【參考文獻(xiàn)】：
期刊論文
[1]基于回歸分析法的光伏發(fā)電功率預(yù)測模型研究[J]. 姚寧,周力民,陳城.  機(jī)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(jīng)濟(jì)導(dǎo)刊. 2020(02)
[3]光伏2020展望（1）:國內(nèi)需求有望重回50GW[J]. 肖俊清.  股市動(dòng)態(tài)分析. 2019(48)
[4]適用于分布式光伏接入中壓直流配網(wǎng)的三電平零電流開關(guān)變換器[J]. 吳健,Syed Waqar Azeem,朱小明,夏峰,連建陽,寧光富.  電網(wǎng)技術(shù). 2019(12)
[5]基于改進(jìn)的皮爾遜相關(guān)系數(shù)的低壓配電網(wǎng)拓?fù)浣Y(jié)構(gòu)校驗(yàn)方法[J]. 肖勇,趙云,涂治東,錢斌,常潤勉.  電力系統(tǒng)保護(hù)與控制. 2019(11)
[6]基于多變量LSTM的工業(yè)傳感器時(shí)序數(shù)據(jù)預(yù)測[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計(jì)算機(jī)與應(yīng)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(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率超短期預(yù)測模型[J]. 王育飛,付玉超,孫路,薛花.  電網(wǎng)技術(shù). 2018(04)
[9]基于樣本擴(kuò)張灰色關(guān)聯(lián)分析的光伏出力預(yù)測[J]. 陳中,宗鵬鵬.  太陽能學(xué)報(bào). 2017(11)
[10]基于S-BGD和梯度累積策略的改進(jìn)深度學(xué)習(xí)方法及其在光伏出力預(yù)測中的應(yīng)用[J]. 黎靜華,黃乾,韋善陽,黃玉金.  電網(wǎng)技術(shù). 2017(10)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的地震災(zāi)害損失預(yù)測研究[D]. 張志棟.云南大學(xué) 2016
[2]牽引供電在線監(jiān)測系統(tǒng)算法及實(shí)現(xiàn)研究[D]. 解廣.石家莊鐵道大學(xué) 2014
[3]風(fēng)能及光伏發(fā)電功率短期預(yù)測方法研究[D]. 陳垣毅.浙江大學(xué) 2013
[4]基于雙重不確定性并網(wǎng)光伏發(fā)電極限容量計(jì)算研究[D]. 王福菊.華北電力大學(xué) 2012



本文編號(hào)：3309065