隨著光伏發(fā)電的快速發(fā)展,由多個(gè)光伏場(chǎng)站集成的光伏集群的發(fā)電形式越來(lái)越普遍。把握光伏集群輸出功率的變化規(guī)律,實(shí)現(xiàn)對(duì)光伏集群輸出功率的有效預(yù)測(cè)對(duì)電力系統(tǒng)運(yùn)行調(diào)控決策具有重要意義。由于光伏集群中包含眾多光伏場(chǎng)站,導(dǎo)致光伏集群功率預(yù)測(cè)所涉及的輸入數(shù)據(jù)類(lèi)型多樣且規(guī)模較大(包含集群內(nèi)各光伏場(chǎng)站的數(shù)值天氣預(yù)報(bào)和輸出功率),且各光伏場(chǎng)站輸入數(shù)據(jù)之間存在復(fù)雜的相關(guān)關(guān)系。因此,光伏集群功率預(yù)測(cè)的關(guān)鍵在于如何高效地從高維復(fù)雜的輸入數(shù)據(jù)中挖掘有效信息,實(shí)現(xiàn)高維輸入數(shù)據(jù)與光伏集群輸出功率間精確的非線性關(guān)系擬合。目前常用的光伏集群功率預(yù)測(cè)方法主要有累加法和統(tǒng)計(jì)升尺度法,前者直接將集群內(nèi)所有光伏場(chǎng)站預(yù)測(cè)結(jié)果進(jìn)行累加得到光伏集群功率預(yù)測(cè)結(jié)果,后者則利用基準(zhǔn)光伏場(chǎng)站預(yù)測(cè)結(jié)果升尺度得到光伏集群功率預(yù)測(cè)結(jié)果,其中均缺少對(duì)光伏集群功率預(yù)測(cè)輸入數(shù)據(jù)的深度挖掘,預(yù)測(cè)精度仍存在改善空間。此外,光伏集群功率變化具有較強(qiáng)的不確定性,難以被準(zhǔn)確預(yù)測(cè),累加法和統(tǒng)計(jì)升尺度法均為單值預(yù)測(cè)方法,無(wú)法為電力系統(tǒng)運(yùn)行人員提供光伏集群功率預(yù)測(cè)結(jié)果的不確定性信息。本文利用深度學(xué)習(xí)理論,實(shí)現(xiàn)了光伏集群功率預(yù)測(cè)輸入數(shù)據(jù)的深度挖掘,充分提取關(guān)鍵有效信息,從單...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景與意義
    1.2 課題研究現(xiàn)狀概述
        1.2.1 光伏功率預(yù)測(cè)方法研究概述
        1.2.2 光伏集群功率預(yù)測(cè)研究存在的問(wèn)題
    1.3 論文主要工作和章節(jié)安排
第二章 光伏場(chǎng)站數(shù)據(jù)分析與處理
    2.1 光伏場(chǎng)站數(shù)據(jù)來(lái)源
    2.2 數(shù)據(jù)分析
    2.3 數(shù)據(jù)預(yù)處理
    2.4 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的光伏集群功率單值預(yù)測(cè)
    3.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的光伏集群功率預(yù)測(cè)模型
    3.3 算例分析
        3.3.1 單值預(yù)測(cè)精度評(píng)價(jià)指標(biāo)
        3.3.2 預(yù)測(cè)模型驗(yàn)證
        3.3.3 預(yù)測(cè)模型對(duì)比
    3.4 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的光伏集群功率概率預(yù)測(cè)
    4.1 分位數(shù)回歸原理
        4.1.1 線性分位數(shù)回歸原理
        4.1.2 非線性分位數(shù)回歸預(yù)測(cè)原理
    4.2 卷積神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸預(yù)測(cè)模型
        4.2.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸預(yù)測(cè)模型
        4.2.2 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸預(yù)測(cè)模型
        4.2.3 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸預(yù)測(cè)流程
    4.3 算例分析
        4.3.1 概率預(yù)測(cè)精度評(píng)價(jià)指標(biāo)
        4.3.2 概率預(yù)測(cè)模型驗(yàn)證
        4.3.3 預(yù)測(cè)模型對(duì)比
    4.4 本章小結(jié)
第五章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間所發(fā)表的論文及參與的項(xiàng)目
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3863916