【摘 要】
：
随着全球能源短缺和环境问题日益突出,清洁低碳的光伏发电产业在全球得到了快速发展。由于光伏电站工作环境的复杂多变,其输出功率表现出较强波动性,会对光伏电力系统的运行造成影响。若可提前预测光伏输出功率,能够降低电力调度的难度和运行成本。在分析光伏发电特性的基础上,本文对基于模糊气象预报数据和缺少气象数据的超短期功率预测以及基于历史气象和历史功率数据的超短期功率区间估计进行研究,并结合深度学习算法建立不
论文部分内容阅读
随着全球能源短缺和环境问题日益突出,清洁低碳的光伏发电产业在全球得到了快速发展。由于光伏电站工作环境的复杂多变,其输出功率表现出较强波动性,会对光伏电力系统的运行造成影响。若可提前预测光伏输出功率,能够降低电力调度的难度和运行成本。在分析光伏发电特性的基础上,本文对基于模糊气象预报数据和缺少气象数据的超短期功率预测以及基于历史气象和历史功率数据的超短期功率区间估计进行研究,并结合深度学习算法建立不同的预测模型。主要的工作如下:首先,针对模糊气象预报数据下的超短期功率预测,设计一种基于灰色关联分析法（Grey Relational Analysis,GRA）、一维卷积神经网络（One-dimensional Convolutional Neural Network,CNN1D）和二维卷积神经网络（Two-dimensional Convolutional Neural Network,CNN2D）的GRA-HCNN预测模型,用于预测电站小时范围内的输出功率。构造气象特征序列结合GRA选取相似小时样本和最佳相似小时样本,将多元气象参数构造成二维气象矩阵作为模型的输入,通过CNN2D提取气象参数之间的相关性特征,再经CNN1D进一步分析处理,映射气象因素与光伏功率的非线性关系。与对比预测模型进行比较,该方法具有更佳的预测性能。其次,针对无气象数据下的超短期功率预测,研究一种基于变分模态分解（Variational Mode Decomposition,VMD）和时间卷积神经网络（Time Convolutional Neural Network,TCN）的VMD-TCN预测模型。采用VMD将功率序列分解为简单平稳的不同模态分量,进而结合TCN实现在无气象数据下预测小时范围内的光伏输出功率。与Elman神经网络等对比模型相比,VMD-TCN模型的预测精度更高。最后,针对超短期功率区间估计,研究一种将K-means++聚类、Bootstrap自举算法、CNN和长短期记忆网络（Long Short-Tterm Memory,LSTM）相结合的KB-CNNLSTM区间估计模型。通过CNN处理气象矩阵,将气象因素对功率的影响纳入模型,对LSTM的输出进行修正,以提高模型的预测准确性。采用Bootstrap方法来量化估计模型的不确定性,继而构造待测时刻点的功率区间。根据对比结果,该方法的综合预测效果优于其他几种对比方法。综合各项实验结果,本文研究的超短期预测模型及区间估计方法能够准确预测光伏电站的功率输出及区间,对缓解光伏功率输出不确定性的影响具有一定参考价值。
其他文献
为了应对环境污染、化石能源匮乏等问题,光伏（PV）发电作为一种主要清洁可再生能源得到了迅速发展。光伏电站直流侧光伏阵列工作在无人值守的复杂室外环境中,容易因故障导致发电功率下降甚至产生安全隐患。光伏组件建模、光伏阵列在线故障监测,对确保光伏系统正常运行具有重要意义。本文主要开展基于机器学习和I-V输出特性的光伏组件建模和光伏阵列故障诊断研究。首先,建立光伏发电系统的仿真模型并研究了标准工作条件下光
钢丝绳对社会的工业生产和经济的支撑都启到了重要的作用。在建筑工程项目中,由于其特殊的材质和结构上优越的可承载性,起重机械都使用它为主要承重构件来进行作业。而在起重机械工作过程中,受到摩擦、腐蚀、过载等各种因素的影响,会引发形变、断丝等缺陷故障,没有及时地检测更换,瞬时引发断裂导致严重的安全事故。故本文以“数字图像处理+卷积神经网络+系统平台”为基础研究架构,对钢丝绳断丝、笼状、纽结、绳股突出、咬绳
图像检索是计算机视觉领域的热门研究方向,商标图像检索作为其中的一个细分和典型应用领域,在生活中有许多实际场景如商标合法性检测、品牌商业分析、电商平台的商品搜索及推荐等涉及到商标图像分析的场景,具有重要的研究意义。本课题在对现有的图像检索技术,尤其是商标图像检索技术进行分析调研的基础上,结合现有技术的一些局限性,提出了改进措施,主要工作如下:（1）实际场景中商标常具有图像背景复杂、分辨率高、尺寸差异
近年来,数码变焦在智能手机和数码相机应用领域发挥着举足轻重的作用。实现数码变焦最直接的做法便是对拍摄图像进行超分辨率重构,而运用深度学习技术对图像进行超分辨率重构是当前的主流方案。当前多数基于深度学习的超分辨率重构方法都是使用人工合成数据进行网络模型训练,没有充分考虑到真实场景中存在的各种不定因素,例如拍摄时的相机抖动,相机自带的噪声以及镜头畸变等问题,所以这类方法在现实中的应用性能都会明显下降。
同步定位与建图（Simultaneous Localization and Mapping,SLAM）是移动机器人中的关键技术。由于单目相机和惯性测量单元（Inertial Measurement Unit,IMU）具有很好的互补性,基于视觉、惯性传感器的SLAM系统（Visual Inertial SLAM,VISLAM）成为近几年研究的热点。在室内移动机器人场景中,加速度计会发生退化,导致VI
近年来,随着对计算机视觉和人工智能领域的深入探索,利用相关技术对无人机（Unmanned Aerial Vehicle,UAV）航拍视频中的目标进行检测与跟踪已经成为当前的一个研究热点。与航拍视频的目标检测和跟踪技术相关的拓展运用也在智慧城市、监控侦察、灾害勘探等方面起着至关重要的作用。由于无人机航拍视频中的运动目标较小且分辨率低,图像中环境复杂,也使得这方面的研究与应用面临诸多挑战。本课题的研究
图像超分辨率SR（Image Super-Resolution）算法可通过低分辨率图像重建出高分辨率图像,而基于深度学习的方法相比于传统方法,在重建效果上有巨大的提升。随着深度学习的快速发展,许多神经网络结构相继出现,而生成对抗网络GAN（Generative Adversarial Network）出现后,即开始应用于图像生成方向。本文分析了以往基于生成对抗网络的图像超分辨率重建方法的一些缺点,
火可以给人们生活带来便利,同时也会造成严重的灾害。随着城镇化的发展,人们的娱乐方式发生改变,娱乐生活场所逐步往大空间的方向发展,这些大空间建筑在正式投入使用前需要保障消防安全。大空间建筑具有跨度高,探测范围广,火势蔓延速度快,人员分布密集的特点。从满足大空间建筑的消防需求的角度出发,水炮型消防设备比其他传统消防设备更具优势。水炮型消防设备经过多年的发展,在消防领域发挥巨大的作用。消防水炮涉及多个学
随着社会和科技的快速发展,位置信息在日常生活中扮演着越来越重要的角色。免携带设备定位（Device-free-localization,DFL）是目前主要的定位技术之一。其中,基于信号接收强度（Received Signal Strength,RSS）的无线电层析成像（Radio Tomographic Imaging,RTI）由于具有穿透性强,不受光照影响,且能良好保护隐私的优点,成为目前学术界
在光伏装机量高速发展背景下,光伏阵列作为太阳能发电站的核心组成部分,阴影对发电功率的损耗以及光伏的安全等产生了不可避免的影响。因此,有效的检测光伏阵列存在的阴影故障,并提供准确的监测和定位信息可以提高光伏系统的寿命和可靠性,具有重要意义。当前红外检测作为一种无损监测技术被广泛应用。本文针对光伏阵列的红外图像特征,基于深度学习算法搭建阴影检测模型,主要研究工作体现在以下三个方面:首先,光伏阵列的面板