论文部分内容阅读
随着全球能源危机和环境问题的日益加剧,可再生能源成为各国政府关注的焦点。太阳能发电作为一种应用前景广阔的清洁能源,近年来取得了飞速发展,正成为一种重要的可再生能源。然而,太阳能发电具有间歇性和波动性的特点,当越来越多的太阳能发电并入电网时,如果不能有效的预测和控制这种不稳定性将给电网的安全稳定运行提出重大的挑战。太阳辐照度的变化是导致太阳能发电输出功率不稳定的最主要的影响因素,因此准确预测太阳辐照度在电能规划和管理中起着越来越重要的作用,具有重要的应用价值。论文针对辐照度时间序列的特点,以循环神经网络(recurrent neural network,RNN)中的长短期记忆网络(long short-term memory,LSTM)、门控循环单元(gated recurrent unit,GRU)、Elman网络为基础,提出并设计了五种网络结构和方法,实现了辐照度较为精确的预测。主要工作如下:(1)统计分析了天气预报参数与辐照度的相关性,研究了辐照度的时间特性,确定了温度、湿度、天气类型三个天气预报参数加上月、天和时三个时间参数合计六个输入特征。在此基础上,提出了一种基于天气预报的GRU模型预测方法。实验结果表明,以确定的六个特征为输入的GRU网络能实现较为准确的24小时辐照度预测;对比BP神经网络(back propagation neural network,BPNN)和RNN,GRU网络的均方根误差(root mean squared error,RMSE)分别降低了23.3%和11.9%;对比LSTM网络,训练时间减少了36.6%;预测技巧分数(forecast skill,FS)为0.4201。(2)提出了基于小波变换和Elman网络的辐照度预测模型。该模型中,首先将辐照度时间序列用小波分解成不同频率的子带,然后,将每一个子带单独输入到Elman网络中训练测试预测,最后对每一个子带预测的小波系数进行小波重构得到预测的辐照度值。小波变换能将辐照度序列中因地球运动而产生的周期性低频信息和因云层运动而产生的高频信息进行简单的分离。Elman网络针对不同频率的信息单独预测,其数据的相关性更强,因而准确性越高。根据实测数据的仿真结果表明,提出的模型在小时辐照度预测中表现出优良的性能,预测技巧分数FS达到了0.7590。(3)提出了一种基于自适应噪声总体集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)数据分解方法和CNN-LSTM网络的辐照度预测模型。辐照度数据经过CEEMDAN分解后得到不同频率成分的特征模态函数(intrinsic mode functions,IMFs)和残余分量(residual,R)。针对一段时间内的IMFs和R数据的结构特点,构建了五种CNN-LSTM网络的输入结构,并进行了详细讨论和性能比较,结果表明,文中的CNN-LSTMV结构性能最优,模型的可解释性也最强。在四个不同气候类型的数据集上对提出的CEEMDAN-CNN-LSTM模型进行了验证比较,证实了该模型的预测精度高、鲁棒性强。(4)构建了应用于辐照度时间序列预测的LSTM网络,设计了两种含有不同输入特征的输入结构;提出了一个双分支输入的LSTM-MLP网络,针对该网络设计了两个不同的主输入,两个不同的辅助输入,共四种输入结构。探讨了以上六种结构在不同滞后时间的输入下的预测性能。实验结果表明,当主输入为历史辐照度和气象数据、辅助输入为下一时刻的天气预报参数时,网络的性能最佳。这表明下一时刻的天气预报参数对模型的预测精度的提升发挥了重要的作用。(5)提出了一种WPD-CNN-LSTM-MLP混合深度学习辐照度预测模型。该模型在LSTM-MLP双分支的基础上,进一步改进为多分支多输入的结构,同时添加了小波包分解(wavelet packet decomposition,WPD)和卷积神经网络(convolutional neural network,CNN)来提取特征信息。辐照度序列经WPD分解为四个通道,每一个通道采用CNN进一步提取特征后输入到LSTM网络;历史辐照度和气象参数作为第二个输入,输入到LSTM网络;天气预报参数作为第三个输入,输入到前面两个合并的全连接层中,最终得到预测结果。该模型通过不同的输入将频域信息和时域信息进行了有效的融合,达到了联合学习的目的。实验结果表明,多分支多输入的WPD-CNN-LSTM-MLP模型提高了预测精度。