论文部分内容阅读
在光伏功率预测分析的过程中,由于光伏板受外界因素影响,输出功率会产生变动,从而威胁到电网的安全。本文针对光伏功率影响因素和算法的创新应用展开研究。实验主要完成以下工作以及研究:
(1)SVM算法是本实验运用机器学习预测光伏输出功率中所选择的经典算法。研究使用GBDT算法和SVM算法组合的方式对光伏功率输出进行短期预测。由于得到的电站数据包含多组因素,使用GBDT算法对数据中的因素进行重要性分析,找出重要性高的因素作为训练集。在训练模型期间,将数据分为了六组,每组数据模型都对测试集进行预测。经实验表明本研究提出的GBDT-PSO-SVR集成预测模型,在训练过程中无需考虑数据的天气类别,所得到的预测模型具有准确的预测能力和较强的适用性。
(2)研究使用LSTM结合CNN和注意力机制进行光伏发电功率预测,CNN算法对输入的数据进行特征提取,之后使用注意力机制对LSTM隐层输出向量分配权重,最终通过全连接层得到结果。研究使用两年的光伏实测数据进行训练,整个实验的过程采用三个步骤,在进行这三个步骤前,先对数据中多组因素的组合与光伏功率的影响进行了相关性分析,找出相关性最高的因素数据作为实验数据。实验的第一步是聚类阶段,采用自组织映射算法将数据分为四组分别建立预测模型。第二步是训练阶段,采用CNN和LSTM算法提取数据特征,得到的特征向量结合注意力机制分配权重,最终完成训练模型构建。第三步是预测阶段,根据测试集的月份选择训练集模型进行预测。
(3)研究使用Hadoop大数据处理平台和Spark计算模块对光伏发电功率进行预测,实验采用PySpark MLlib库中的DBN算法与单机DBN算法进行预测结果对比。由于PySpark MLlib库中没有SVR模型代码,实验采用Scikit-learn库的SVR代码与PySpark进行结合,在模型训练的过程中,将训练数据采用RDD数据结构形式放入SVR训练模型代码中,这个操作可以很大程度地缩短模型的训练时间。
(1)SVM算法是本实验运用机器学习预测光伏输出功率中所选择的经典算法。研究使用GBDT算法和SVM算法组合的方式对光伏功率输出进行短期预测。由于得到的电站数据包含多组因素,使用GBDT算法对数据中的因素进行重要性分析,找出重要性高的因素作为训练集。在训练模型期间,将数据分为了六组,每组数据模型都对测试集进行预测。经实验表明本研究提出的GBDT-PSO-SVR集成预测模型,在训练过程中无需考虑数据的天气类别,所得到的预测模型具有准确的预测能力和较强的适用性。
(2)研究使用LSTM结合CNN和注意力机制进行光伏发电功率预测,CNN算法对输入的数据进行特征提取,之后使用注意力机制对LSTM隐层输出向量分配权重,最终通过全连接层得到结果。研究使用两年的光伏实测数据进行训练,整个实验的过程采用三个步骤,在进行这三个步骤前,先对数据中多组因素的组合与光伏功率的影响进行了相关性分析,找出相关性最高的因素数据作为实验数据。实验的第一步是聚类阶段,采用自组织映射算法将数据分为四组分别建立预测模型。第二步是训练阶段,采用CNN和LSTM算法提取数据特征,得到的特征向量结合注意力机制分配权重,最终完成训练模型构建。第三步是预测阶段,根据测试集的月份选择训练集模型进行预测。
(3)研究使用Hadoop大数据处理平台和Spark计算模块对光伏发电功率进行预测,实验采用PySpark MLlib库中的DBN算法与单机DBN算法进行预测结果对比。由于PySpark MLlib库中没有SVR模型代码,实验采用Scikit-learn库的SVR代码与PySpark进行结合,在模型训练的过程中,将训练数据采用RDD数据结构形式放入SVR训练模型代码中,这个操作可以很大程度地缩短模型的训练时间。