论文部分内容阅读
目前太阳能资源在世界范围大量开发利用,但实际使用量还远未达到人类的能源需求。随着可再生能源利用尤其是太阳能资源开发利用的增加,精准的光伏发电预测技术将有助于光伏发电的推广。光伏发电量取决于天气条件,不同天气条件下易产生较大幅度的波动,其发电量具有随机性、波动性和间歇性的特点。由于光伏发电的不稳定性,基于区域对太阳能利用和开发进行切实可行的规划具有较大的难度。因此,准确的发电预测对于确保电网稳定性和经济调度至关重要。为提高光伏发电的预测精度,降低光伏发电不稳定性的影响,本文提出了一种基于深度学习的端到端光伏发电预测模型。主要工作包括:(1)光伏发电数据预处理方法根据获取的某分布式光伏发电站中三个小型分布式光伏发电站的实时发电原始数据进行数据预处理,包括LOF异常值剔除,数值归一化以及基于马尔科夫蒙特卡洛方法的缺失值的填充,根据原始数据进行5,15,30min时间精度的划分。(2)提出基于深度学习的序列预测模型根据不同模型对比研究,本文利用天气预报气象数据提出了一种光伏发电预测模型。本研究将预测问题转变为结构化的序列输出预测问题,同时预测多个输出。该模型以Bi-LSTM(双向长短期记忆)为基本单位,根据Bi-LSTM网络结构,同时考虑一天中连续时间之间的依赖性。使用深度学习模型的强大学习能力和Bi-LSTM的特征来构建Seq2Seq(序列到序列)模型以处理光伏发电数据。(3)对比分析模型预测结果本文利用深度学习常用处理时间序列预测的深度神经网络结构,即循环神经网络(RNN),通过对比传统预测模型最小二乘法支持向量机(LSSVM)模型以及梯度提升树(GBDT)在不同机组及不同时间精度下模型预测结果,验证模型的有效性。本文选择某固定时间下的气象数据作为模型的输入数据,通过对比模型在5min,15min,30min时间精度下预测结果,分析模型在不同时间精度下光伏发电预测中的优势。结果表明,基于Bi-LSTM构建的Seq2Seq模型能够有效提高光伏发电预测精度。