基于深度学习算法的短期光伏发电功率预测研究

目录

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.2.3 国内外研究综述

1.3 本文主要研究内容

第二章 光伏发电功率预测技术分析

2.1 光伏功率预测基本情况

2.1.1 光伏功率预测的概念

2.1.2 光伏发电特点

2.1.3 光伏功率预测的几种典型模式

2.1.4 光伏功率预测常用算法

2.2 光伏输出功率的影响因素

2.2.1 太阳辐照强度与光伏输出功率关系

2.2.2 天气类型与光伏输出功率关系

2.2.3 环境温度与光伏输出功率关系

2.2.4 风速与光伏输出功率关系

2.2.5 气象因素相关性分析

2.3 深度学习算法光伏功率预测可行性分析

2.4 数据归一化方法

2.5 预测效果评估方法

2.6 本章小结

第三章 深度学习算法相关理论基础

3.1 人工神经网络

3.1.1 多层感知机

3.1.2 BP神经网络

3.1.3 浅层神经网络的局限性

3.2 深度学习网络

3.2.1 深度置信网络

3.2.2 堆叠自编码网络

3.2.3 长短期记忆网络

3.2.4 卷积神经网络

3.3 组合深度学习模型

3.3.1 DBN-LSTM

3.3.2 SAE-LSTM

3.3.3 CNN-LSTM

3.4 本章小结

第四章 基于LSTM深度学习模型的短期光伏功率预测

4.1 实验平台

4.2 数据集

4.2.1 原始数据来源

4.2.2 数据分析

4.2.3 数据预处理

4.3 LSTM光伏功率预测模型构建

4.3.1 建模流程

4.3.2 模型结构

4.3.3 激活函数选择

4.3.4 时间步数设置

4.3.5 输入特征选择

4.4 实验结果分析

4.4.1 超短期预测结果

4.4.2 短期预测结果

4.5 本章小结

第五章 基于组合深度学习模型的短期光伏功率预测

5.1 CNN-LSTM光伏功率预测模型构建

5.1.1 模型结构

5.1.2 激活函数选择

5.1.3 时间步数设置

5.1.4 特征变量选择

5.2 实验结果分析

5.2.1 超短期预测结果

5.2.2 短期预测结果

5.3 本章小结

第六章 结论与展望

6.1 结论

6.2 创新点

6.3 展望

参考文献

攻读学位期间发表的论文

攻读学位期间参加的科研工作

声明

致谢