光伏发电系统的短期发电功率预测研究

摘要

光伏发电具有绿色清洁、规模灵活等优点，得到了广泛应用和发展。但由于光伏发电系统受环境因素影响明显，存在不确定性、波动性、间歇性等特点，不利于电网的安全调度和能量管理，增加了电网的运行风险。而光伏发电系统受自然环境因素影响造成的波动性越大，对其发电功率进行确定性预测的预测精度就会越低，因此，对光伏发电的短期功率进行精确的单点预测与概率分布预测，既可以保证功率预测的精度，又可以更加全面的反映光伏发电信息，对于电网的安全调度、稳定运行和能量管理具有重要的意义。
　　本文立足于光伏发电系统的发展现状，对光伏发电系统的短期发电功率预测问题展开了研究。文章首先对不同的天气因素，包括光照强度、温度和湿度，与光伏发电系统短期发电功率之间的关联性进行了分析，确定影响光伏发电短期功率的主要环境因素指标，根据天气因素指标确定预测日的相似日，以天气因素数据与相似日的功率数据为模型的输入，建立基于改进支持向量机回归(SVM)的预测模型，对光伏发电系统的短期发电功率进行单点预测，以及给定置信水平条件下的区间上下限值预测，预测模型具有较高的预测精度；建立基于遗传优化受限玻尔兹曼机方法(GA-RBM)的概率预测模型，对光伏发电系统的短期发电功率进行单点值预测及概率分布的预测，最终，确定其在给定置信水平条件下的置信区间；根据深度学习理论，建立基于受限玻尔兹曼机的深度信念网络(DBN)预测模型，实现光伏发电系统的单点值预测和概率分布预测，确定更高精度的置信区间。仿真算例表明了预测模型的可靠性和精确性。

目录

声明

第一章绪论

1.1 课题背景及其意义

1.2 光伏发电系统短期发电功率预测研究现状

1.3本文的主要工作

第二章基于改进支持向量机模型的光伏发电短期功率预测

2.1 环境因素对光伏发电短期功率的影响分析

2.2 相似日的选取

2.3支持向量机(SVM)回归模型与粒子群优化算法

2.4基于粒子群优化支持向量机的光伏发电短期功率预测模型

2.5算例分析

2.6本章小结

第三章 基于改进受限玻尔兹曼机模型的光伏发电短期功率预测

3.1 受限玻尔兹曼机(RBM)

3.2 基于遗传算法优化受限玻尔兹曼机的预测模型

3.3 算例分析

3.4 本章小结

第四章基于深度信念网络模型的光伏发电短期功率预测

4.1 深度学习理论

4.2 深度信念网络模型

4.3 仿真算例

4.4 本章小结

第五章结论与展望

5.1 结论

5.2 展望

参考文献

发表论文和参加科研情况说明

致谢