基于深度学习的太阳能光伏发电短期预测方法

摘要

太阳能被公认为一种理想的可再生能源。太阳能光伏发电是一种重要的太阳能利用方式，在缓解现有能源危机的同时，也可以减轻由传统能源引起的各种环境问题。但光伏发电受太阳辐射强度与气象状况的影响，具有高度的随机性、波动性和间歇性，这给大型光伏并网发电带来了严峻的挑战。因此，精确预测光伏发电功率有其重要的现实意义。
　　本文总结了近些年来国内外相关领域的研究进展，对太阳能光伏发电短期预测进行了分析研究，论文主要包括以下几方面的内容:
　　(1)首先将获取到的原始数据通过异常值剔除、缺失值补充和数值归一化等步骤进行数据预处理后，建立太阳能光伏发电短期功率预测的数据库;
　　(2)提出一种基于深度学习的点预测模型。首先提出三种不同的模型结构，通过实验比较三者的优势和劣势，同时给出了对输入数据的要求，即当日的太阳能发电功率数据和次日的天气数据。接着探究了模型容量对预测结果的影响，给出针对单用户太阳能光伏发电功率预测问题在模型容量上的建议。进一步探究了Dropout机制和激活函数对模型预测效果的影响。除此之外，在预测精度和测试时间两个维度上比较了不同深度模型方法的优劣。最后提取了对模型精度影响最大的三维天气特征，在整体数据集上验证了三维特征输入的优越性。
　　(3)基于太阳能光伏发电功率的点预测方法提出区间预测方法。首先提出区间预测的评价指标，然后提出了一种启发式的区间预测算法，实现给定精度下的全局最优和计算低成本。最后在测试集上验证了区间预测算法的有效性。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景及意义

1．2 光伏发电发展趋势

1．3 光伏发电短期预测研究现状

1．3．1 间接预测方法

1．3．2 直接预测方法

1．4 本文主要工作

2 深度学习算法概述

2．1 预测模型数学方法介绍

2．1．1 多层感知器(Multi-layer Perceptron，MLP)

2．1．2 递归神经网络(RNN)

2．1．3 Long Short-Term Memory(LSTM)

2．1．4 双向长短期记忆(Bidirectional LSTM，BiLSTM)

2．2 Dropout机制

2．3 激活函数

2．3．1 Linear激活函数

2．3．2 Sigmoid激活函数

2．3．3 Tanh激活函数

2．3．4 ReLU激活函数

2．4 误差评估指标

2．5 本章小结

3 光伏发电预测数据集的建立

3．1 原始数据介绍

3．2 数据预处理

3．3 数据集的构建

3．4 本章小结

4 太阳能光伏发电功率点预测方法

4．1 模型结构

4．1．1 模型输入层

4．1．2 模型隐含层

4．1．3 模型输出层

4．1．4 实验结果

4．2 模型容量

4．2．1 LSTM层容量变化

4．2．2 FC层容量变化

4．3 Dropout机制

4．4 激活函数

4．5 不同深度学习方法对比

4．6 天气特征的选取

4．6．1 单维特征实验结果

4．6．2 多维特征实验结果

4．7 点预测模型实验结果

4．8 本章小结

5 太阳能光伏发电功率区间预测方法

5．1 评价指标

5．1．1 区间覆盖率

5．1．2 平均宽度百分比

5．1．3 累计误差

5．1．4 综合评价指标

5．2 算法说明

5．3 实验结果

5．4 本章小结

6 总结与展望

6．1 论文工作总结

6．2 论文工作展望

参考文献

作者简历及在学期间所取得的科研成果