【摘 要】
:
光伏发电功率预测可用于电网调度、故障检测等方面,是光伏电站并网的关键技术之一。本文以研究光伏发电功率预测模型为主线,将目前流行的机器学习技术应用到光伏发电数据的建
论文部分内容阅读
光伏发电功率预测可用于电网调度、故障检测等方面,是光伏电站并网的关键技术之一。本文以研究光伏发电功率预测模型为主线,将目前流行的机器学习技术应用到光伏发电数据的建模和预测中,主要完成以下工作及研究:(1)对现有的物理法、回归法、灰色预测法、时间序列法和机器学习法进行对比分析。研究使用Kmeans和SVM组合的方法进行短期光伏发电功率预测,使用Kmeans算法对训练样本进行聚类,减少其他类别样本带来的干扰,针对每类样本训练SVM进行预测。经实测数据实验表明Kmeans-SVM模型在晴天、多云和雨天条件下都能有效的预测光伏发电功率,其评价指标优于对比模型,加入Kmeans聚类能够有效提高预测精度。(2)研究使用Stacking算法集成多个SVM进行短期光伏发电功率预测,并与单一学习器模型对比,考察Stacking-SVM模型在晴天、多云、雨天的预测效果,经实测数据实验表明,Stacking-SVM模型在气象环境小幅波动的多云条件下预测性能突出,在晴天和雨天条件下预测精度也有明显提高,集成学习可以显著提高单一学习器模型预测性能。(3)研究使用LSTM算法结合注意力机制的ALSTM模型进行光伏发电功率预测,ALSTM模型使用两个LSTM分别对输入的发电功率序列和组件温度序列进行特征提取,使用注意力机制对LSTM隐层输出向量中的有用项进行自动关注。使用一年的实测数据进行测试,考察ALSTM模型在春夏秋冬和不同时间范围的预测效果,经实测数据实验表明ALSTM模型能在60min以内做出有效预测,且预测精度高于对比模型,加入注意力机制能提高特征提取的质量,进一步提升了预测精度。(4)研究使用大数据处理平台Spark结合机器学习算法对光伏发电功率进行预测,完成Spark on YARN平台搭建,使用Spark Mllib提供的决策树回归、GBDT回归和随机森林回归进行光伏发电功率预测,并得到了较好的预测结果。
其他文献
互联网的迅速发展导致数据指数式增长,人们难以从海量数据中获取有效信息,这便是信息过载问题。信息过滤是解决信息过载问题的有效方法,推荐系统作为信息过滤技术的代表,近些
近些年来随着控制理论、传感技术、人工智能等学科的飞速发展,遥操作机器人逐渐受到越来越多人的关注,而具有力觉临场感的遥操作手术机器人更是当今世界学者研究的热点问题。
数据可视化主要是借助图形化手段,对数据加以解释,从而使用户能对数据进行深入地观察和分析。当今存在许多可视化方法,在可视化的众多对象中,节点连接图是一种基础的、重要的
绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)集合了MOSFET与BJT的优点,以高开关速度与低开关损耗被视为理想开关,广泛应用于逆变器等领域。温度作为影响IGBT器件失效的主要因素,能够快速准确的获取IGBT结温对研究器件失效机理、寿命预测与可靠性状态评估有着重要的意义。然而对于现有的IGBT芯片与模块,在不破坏其封装的情况下进行结温的实时测量
无源光网络(Passive Optical Network,PON)的平滑演进是以按需升级(pay-as-you-grow)的方式进行的。在过去几十年中,TDM-PON占据了接入网市场的主导地位;TDM-PON,如EPON和GPO
数据分析的目的是帮助用户从数据中提取有价值的信息、发现新颖的知识、对决策产生重要的作用,其中知识的表示和表达是关键步骤。关联规则作为一种重要的知识表示模式,能够让
在国家加大草原生态保护、牧户放牧数量受到限制的背景下,如何持续提高牧户收入成为实现牧区可持续发展的一项重要研究课题。近年来政府大力推进定居和舍饲养殖,牧户饲草料的
随着移动互联网的高速发展,互联网已经与我们生活的方方面面紧密相连,同时也产生了大量的用户行为数据。这些用户行为数据具有海量、高维、内部结构复杂等特征,且蕴含着用户的偏好,用户偏好表达了用户的个人倾向以及可能的行为,因此,构建用户偏好模型,基于偏好模型进行评分预测和偏好估计,为个性化服务、推荐提供有效支撑,具有重要意义。一方面,用户偏好客观存在但无法被直接观测到,用隐变量描述无法直接观测的变量。同时
肝癌是世界上常见癌症,且致死率极高,提早发现癌症并制定诊疗计划有益于患者的身体健康。在临床诊断中,放射科医生需要手动逐层标记患者CT图像中肝脏及肝脏肿瘤,既耗时又耗力
全球范围内,由于气候条件不同,每年的降水量不同,年内降水量也往往集中在少数月份,供需出现矛盾,因此修建水利工程意义重大。水利可行性研究报告旨在分析工程进行所具备的条