论文部分内容阅读
随着光伏发电的配网比例上升,光伏系统大规模并网到电网中给生产和运营带来了巨大挑战,因此迫切需要对光伏预测技术进行研究。准确的光伏预测结果具有指导性的作用,电力运营机构可以借此采取及时的响应措施:优化发电计划;提高电网的峰值调度能力;合理地安排维护,减少机组损耗。光伏预测技术对于电网运行具有很高的经济价值。本文介绍了光伏发电的预测方式,并对现有的技术做出总结归纳。人工神经网络能够处理复杂的非线性问题,因此将其作为预测方法并建立预测模型,对影响光伏发电的气象因素进行相关性分析以确定模型的输入数据。复杂天气条件导致光伏系统的间歇性,随机性和从变性,这使光伏预测变得困难。递归神经网络(Recurrent neural network,RNN)被认为是时间序列数据预测的有效工具。但是,当天气剧烈变化时,长期变量序列可能会在RNN的训练过程中导致梯度消失(爆炸),从而使预测结果达到局部最优。为避免上述问题并优化预测性能,采用具有长短期记忆(Long short-term memory,LSTM)单元的RNN建立预测模型。此外,由于LSTM复杂的结构,CPU和GPU等通用处理器无法有效地实现LSTM。为优化LSTM的计算性能和功耗,这项研究为其设计了一种基于FPGA的加速器。主要研究内容如下:(1)以间接方式预测光伏发电量,通过计算太阳辐照与气象因素之间相关性系数确认模型的输入,分别建立基于BPNN、RBFNN和RNN的短期太阳辐射量预测模型。评估BPNN、RBFNN和RNN模型在复杂天气下的预测性能。(2)基于具有LSTM结构的RNN建立短期太阳辐射量预测模型,比较深度学习方法与其他方法的预测性能,跨区域研究以证明该方法的可推广性。(3)FPGA作为神经网络加速的实施方案。分析LSTM前向运算逻辑,设计相应的硬件模块,采用流水线方法对运算过程并行加速。测试基于FPGA的LSTM加速器,并与CPU平台上运行的LSTM进行对比,评估指标是吞吐率及功耗等性能数据。