基于灰色模型与机器学习的短期光伏功率预测

摘要

随着现代化工业的发展，大力开采化石能源给自然环境带来了巨大压力，能源短缺的问题日益突出，可再生能源的发展迫在眉睫。光伏发电作为可再生能源中开采条件简单并且具有较高商业价值的发电方式之一，受到越来越多国家的重视。虽然光伏发电具有很多的优点，但是在实际开采过程中受环境温度、相对湿度和太阳辐照度等诸多因素的影响和制约，不仅增加了后期并网发电的难度，同时也给电力调度人员增添了工作压力，因此准确地预测光伏发电功率在实际运用中具有重要意义。　　光伏数据具有波动性大、随机性的特点，本文针对短期光伏功率预测问题展开了以下研究工作：1）分析确定影响光伏功率的主要因素：对光伏功率特性进行仿真实验分析其物理因素对功率的影响；通过回归方程拟合和灰色关联度值大小来分析影响短期光伏功率预测的气象因素；2）基于灰色模型与机器学习方法，在晴、阴两种天气情况下，分别实现机器学习（GM、BP、SVM、GVM）和混合模型（GM-ML）的短期光伏功率预测，实验结果表明GM-GVM预测精度更高；3）采用粒子群优化算法对GM-ML模型的权值和阈值进行优化，建立PSO-GM-ML模型，通过对比分析，结果表明PSO-GM-ML比GM-ML预测效果更好；4）使用Sobol算法对模型的输入因素进行不确定性分析，通过计算一阶灵敏度指数和总阶灵敏度指数，研究在不同时间阶段单一因素和组合因素分别对短期光伏功率预测的影响，结果表明辐照度是影响功率的主要气象因素，但随着时间的变化辐照度和温度的共同作用对功率影响较大。

目录

声明

第一章 绪论

1.1 研究背景和意义

1.2 光伏功率预测国内外研究现状

1.3 论文研究内容

1.3.1 研究内容

1.3.2 研究方案

1.3.3 技术路线

1.3.4 本文创新点

1.3.5 论文结构

第二章 光伏功率特性和影响因素分析

2.1 光伏发电的功率特性

2.1.1 光伏发电系统组成和原理

2.1.2 光伏阵列的特性分析

2.2 光伏功率预测影响因素分析

2.2.1 灰色关联分析

2.2.2 回归分析

2.3 本章小结

第三章 机器学习方法及原理介绍

3.1 灰色模型理论

3.2 机器学习方法

3.2.1 BP神经网络方法及原理

3.2.2 SVM方法及原理

3.2.3 通用向量机方法及原理

3.3粒子群优化算法

3.4本章小结

第四章 基于粒子群优化算法的混合模型短期光伏功率预测

4.1实验方案

4.2数据源与实验环境

4.2.1 数据描述

4.2.2 实验环境

4.3单一模型对光伏功率预测

4.3.1 GM对光伏功率预测

4.3.2 光伏功率预测的机器学习方法

4.3.3 机器学习方法实验分析

4.4 GM-ML混合模型对光伏功率预测

4.4.1 GM-ML对光伏功率预测实现

4.4.2 实验结果分析

4.5 PSO-GM-ML优化模型对光伏功率预测

4.5.1 PSO-GM-BP

4.5.2 PSO-GM-SVM

4.5.3 PSO-GM-GVM

4.6预测模型结果对比

4.7 本章小节

第五章 模型输入的不确定性分析

5.1 Sobol算法介绍

5.2 模型输入的不确定性分析及数值实验

5.3 本章小结

第六章 总结和展望

6.1 论文总结

6.2 展望

参考文献

在学期间的研究成果

致谢