论文部分内容阅读
在当今越来越多的大规模光伏发电并入到电网的环境下,光伏发电功率的间歇性和波动性会对电网高质量的运行造成非常不利的影响,而在光伏发电过程中,太阳辐射是决定其变化的最重要因素。因此,精确的太阳辐照度预测对于光伏发电至关重要,它将有利于电力系统对电力进行实时调度和规划,保证电网安全稳定运行。论文基于多种机器学习算法和多个地区的真实数据建立了三种太阳辐照度预测模型,具体完成工作如下:(1)研究了三种传统机器学习算法在提前1小时的辐照度预测中的性能,它们分别是支持向量机(SVM)、多层感知机(MLP)和传统循环神经网络(RNN)。实验中预测模型分别采用两组不同的输入特征:(A)辐照度历史数据;(B)辐照度历史数据和气象数据。实验结果表明B组性能略微优于A组,但A组和B组整体的预测性能较差,A组所有预测结果的均方根误差(RMSE)在89.71~94.34W/m~2之间,B组所有预测结果的RMSE在86.41~87.23 W/m~2之间。(2)提出了基于天气预报数据和门循环单元(GRU)的日前24小时辐照度预测模型。该模型选择多个天气预报参数作为模型的输入特征,并使用GRU网络对未来一天内24小时辐照度进行预测。实验结果表明,GRU分别将RNN、MLP和CSIP预测模型的RMSE降低了16.58,37.14和48.50 W/m~2。此外,与长短期记忆网络(LSTM)模型相比,GRU的训练时间缩短了将近40%。(3)提出了一种基于自适应噪声完整集成经验模态分解(CEEMDAN)和深度学习网络(CNN-LSTM)的混合预测模型,该模型用于提前1小时的辐照度预测。CEEMDAN-CNN-LSTM预测模型首先通过CEEMDAN将辐照度历史数据分解为多个频率信号,然后将分解的不同频率信号作为CNN-LSTM模型的输入。CEEMDAN-CNN-LSTM预测模型在美国和阿尔及利亚等地区RMSE的平均值为40.28 W/m~2,并且CEEMDAN-CNN-LSTM将其它七种基准模型的RMSE减低了11.60%~70.92%。