全球傳統(tǒng)化石能源漸漸衰竭,環(huán)境污染日益嚴重,各國正迫切尋找新的代替能源。光伏新能源具有清潔、無污染和可持續(xù)性等優(yōu)點,受到全世界的廣泛關(guān)注與研究。近年來,全球光伏發(fā)電裝機容量不斷提高,但光伏發(fā)電運行中的問題也日漸突出。光伏發(fā)電的過程受天氣與地理環(huán)境影響,呈現(xiàn)出波動性和隨機多干擾性,其輸出功率容易隨著外界因素變化而變化,因此預(yù)測發(fā)電輸出功率對于優(yōu)化光伏發(fā)電并網(wǎng)運行和減少不確定性的影響至關(guān)重要。本論文致力于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,探索提高光伏發(fā)電功率預(yù)測準確率的途徑。主要的研究內(nèi)容如下:（1）探索光伏發(fā)電的各種影響因素,構(gòu)建算法預(yù)測模型研究的前期理論基礎(chǔ)。本文主要討論了光伏發(fā)電技術(shù)原理以及光伏系統(tǒng)的組成特點,結(jié)合各氣象條件因素對光伏發(fā)電輸出功率的影響進行綜合分析。（2）對光伏發(fā)電輸出功率歷史數(shù)據(jù)進行了數(shù)據(jù)預(yù)處理。本文采用國能日新光伏發(fā)電功率預(yù)測大數(shù)據(jù)競賽的數(shù)據(jù)作為原始數(shù)據(jù)。將原始數(shù)據(jù)進行異常值處理、特征變量關(guān)聯(lián)度分析等數(shù)據(jù)處理操作,劃分出新的數(shù)據(jù)集。（3）提出并建立了長短時記憶卷積混合神經(jīng)網(wǎng)絡(luò)（LSTM-CNN）算法模型,同時通過實驗驗證了該模型的優(yōu)越性。首先根據(jù)卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時記憶... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 物理模型方法
        1.2.2 傳統(tǒng)統(tǒng)計學(xué)方法
        1.2.3 人工智能方法
    1.3 本文主要研究內(nèi)容與章節(jié)安排
2 光伏發(fā)電特性及輸出功率影響因素
    2.1 光伏發(fā)電技術(shù)原理
    2.2 光伏發(fā)電系統(tǒng)
        2.2.1 獨立型光伏發(fā)電系統(tǒng)
        2.2.2 并網(wǎng)型光伏發(fā)電系統(tǒng)
        2.2.3 混合型光伏發(fā)電系統(tǒng)
    2.3 光伏發(fā)電輸出功率影響因素分析
        2.3.1 K-Means天氣聚類
        2.3.2 天氣類型的影響
        2.3.3 季節(jié)類型的影響
        2.3.4 輻照度的影響
        2.3.5 風(fēng)速的影響
        2.3.6 風(fēng)向的影響
        2.3.7 溫度的影響
        2.3.8 濕度的影響
        2.3.9 壓強的影響
    2.4 本章小結(jié)
3 光伏發(fā)電功率數(shù)據(jù)處理
    3.1 數(shù)據(jù)預(yù)處理
        3.1.1 異常值檢測和替換
        3.1.2 數(shù)據(jù)標準化
    3.2 特征關(guān)聯(lián)度分析
        3.2.1 灰色關(guān)聯(lián)度分析
        3.2.2 回歸分析R2 值
        3.2.3 特征選擇
    3.3 數(shù)據(jù)集的建立
    3.4 本章小結(jié)
4 基于LSTM-CNN的光伏發(fā)電功率預(yù)測
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積層
        4.1.2 池化層
        4.1.3 全連接層
        4.1.4 激活函數(shù)
    4.2 長短時記憶神經(jīng)網(wǎng)絡(luò)
        4.2.1 輸入門
        4.2.2 遺忘門
        4.2.3 輸出門
        4.2.4 隨機失活機制
    4.3 基于LSTM-CNN預(yù)測模型的建立
    4.4 實驗平臺
    4.5 預(yù)測模型評價指標
    4.6 多種模型在天氣與季節(jié)分類下的測試結(jié)果與分析
        4.6.1 天氣分類測試結(jié)果
        4.6.2 季節(jié)分類測試結(jié)果
    4.7 本章小結(jié)
5 基于GA-LSTM-CNN的光伏發(fā)電功率預(yù)測
    5.1 遺傳優(yōu)化算法
        5.1.1 初始化種群
        5.1.2 適應(yīng)度函數(shù)
        5.1.3 選擇
        5.1.4 交叉
        5.1.5 變異
        5.1.6 循環(huán)評判
    5.2 基于GA-LSTM-CNN預(yù)測模型的建立
    5.3 多種模型在天氣與季節(jié)分類下的測試結(jié)果與分析
        5.3.1 天氣分類測試結(jié)果
        5.3.2 季節(jié)分類測試結(jié)果
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 本論文工作總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻
附錄
    個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果


【參考文獻】：
期刊論文
[1]多維時間序列異常檢測算法綜述[J]. 胡珉,白雪,徐偉,吳秉鍵.  計算機應(yīng)用. 2020(06)
[2]基于遺傳算法的超疏水冷凝表面結(jié)構(gòu)優(yōu)化[J]. 龍綺睿.  價值工程. 2020(01)
[3]基于改進遺傳算法的智能電網(wǎng)頻譜分配性能研究[J]. 張磊,任敬斌,邱昱,金銘.  電力信息與通信技術(shù). 2019(12)
[4]基于B型灰色關(guān)聯(lián)度的雷達與ESM航跡關(guān)聯(lián)算法[J]. 顧一休,李軍,邱令存,曹政.  空天防御. 2019(04)
[5]超啟發(fā)式遺傳算法求解模糊柔性作業(yè)車間調(diào)度[J]. 李尚函,胡蓉,錢斌,張梓琪,金懷平.  控制理論與應(yīng)用. 2020(02)
[6]基于ARIMA和SVR的光伏電站超短期功率預(yù)測[J]. 赫衛(wèi)國,郝向軍,郭雅娟,曹瀟,陳錦銘,梅飛,劉皓明.  廣東電力. 2017(08)
[7]基于歷史數(shù)據(jù)縱向匹配的光伏功率預(yù)測方法研究[J]. 賀襯心,王景丹,霍富強,董永超,王留送.  高壓電器. 2017(05)
[8]基于提升小波-BP神經(jīng)網(wǎng)絡(luò)的光伏陣列短期功率預(yù)測[J]. 丁坤,丁漢祥,王越,高列,劉振飛.  可再生能源. 2017(04)
[9]基于無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測[J]. 李春來,張海寧,楊立濱,楊軍,王平.  重慶大學(xué)學(xué)報. 2017(04)
[10]基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測方法[J]. 丁明,徐寧舟.  電網(wǎng)技術(shù). 2011(01)

博士論文
[1]任意條件下光伏陣列的輸出性能預(yù)測[D]. 翟載騰.中國科學(xué)技術(shù)大學(xué) 2008

碩士論文
[1]基于人工智能的光伏發(fā)電短期功率預(yù)測技術(shù)[D]. 白會杰.北京交通大學(xué) 2019
[2]基于深度學(xué)習(xí)的光伏發(fā)電量預(yù)測模型研究[D]. 鄭強.華北電力大學(xué) 2019
[3]基于深度學(xué)習(xí)的太陽能光伏發(fā)電短期預(yù)測方法[D]. 于佳弘.浙江大學(xué) 2018



本文編號：3438643