基于数据挖掘的光伏集群功率预测方法研究

发布时间：2023-11-14 17:52

　　随着光伏发电的快速发展,由多个光伏场站集成的光伏集群的发电形式越来越普遍。把握光伏集群输出功率的变化规律,实现对光伏集群输出功率的有效预测对电力系统运行调控决策具有重要意义。由于光伏集群中包含众多光伏场站,导致光伏集群功率预测所涉及的输入数据类型多样且规模较大(包含集群内各光伏场站的数值天气预报和输出功率),且各光伏场站输入数据之间存在复杂的相关关系。因此,光伏集群功率预测的关键在于如何高效地从高维复杂的输入数据中挖掘有效信息,实现高维输入数据与光伏集群输出功率间精确的非线性关系拟合。目前常用的光伏集群功率预测方法主要有累加法和统计升尺度法,前者直接将集群内所有光伏场站预测结果进行累加得到光伏集群功率预测结果,后者则利用基准光伏场站预测结果升尺度得到光伏集群功率预测结果,其中均缺少对光伏集群功率预测输入数据的深度挖掘,预测精度仍存在改善空间。此外,光伏集群功率变化具有较强的不确定性,难以被准确预测,累加法和统计升尺度法均为单值预测方法,无法为电力系统运行人员提供光伏集群功率预测结果的不确定性信息。本文利用深度学习理论,实现了光伏集群功率预测输入数据的深度挖掘,充分提取关键有效信息,从单...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景与意义
    1.2 课题研究现状概述
        1.2.1 光伏功率预测方法研究概述
        1.2.2 光伏集群功率预测研究存在的问题
    1.3 论文主要工作和章节安排
第二章 光伏场站数据分析与处理
    2.1 光伏场站数据来源
    2.2 数据分析
    2.3 数据预处理
    2.4 本章小结
第三章 基于卷积神经网络的光伏集群功率单值预测
    3.1 神经网络简介
        3.1.1 BP神经网络
        3.1.2 卷积神经网络
    3.2 基于卷积神经网络的光伏集群功率预测模型
    3.3 算例分析
        3.3.1 单值预测精度评价指标
        3.3.2 预测模型验证
        3.3.3 预测模型对比
    3.4 本章小结
第四章 基于卷积神经网络分位数回归的光伏集群功率概率预测
    4.1 分位数回归原理
        4.1.1 线性分位数回归原理
        4.1.2 非线性分位数回归预测原理
    4.2 卷积神经网络分位数回归预测模型
        4.2.1 传统卷积神经网络分位数回归预测模型
        4.2.2 改进的卷积神经网络分位数回归预测模型
        4.2.3 改进的卷积神经网络分位数回归预测流程
    4.3 算例分析
        4.3.1 概率预测精度评价指标
        4.3.2 概率预测模型验证
        4.3.3 预测模型对比
    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
致谢
攻读硕士学位期间所发表的论文及参与的项目
学位论文评阅及答辩情况表



本文编号：3863916