基于深度學(xué)習(xí)理論的光伏功率短期預(yù)測研究
發(fā)布時間:2024-06-30 03:55
精確的光伏發(fā)電預(yù)測可以有效緩解光伏發(fā)電功率的強(qiáng)波動性對電力系統(tǒng)安全運(yùn)行帶來的沖擊。由于光伏輸出功率在很大程度上取決于光伏電站所處的天氣狀況,故基于精確天氣分類的光伏發(fā)電預(yù)測建模是提高光伏預(yù)測精度的有效方法。然而,現(xiàn)實(shí)中歷史輻照度數(shù)據(jù)往往存在天氣類型標(biāo)簽缺失現(xiàn)象,為更好對缺失標(biāo)簽數(shù)據(jù)進(jìn)行有效識別,我們需要建立天氣分類識別模型。天氣分類模型在訓(xùn)練過程中常會遇到訓(xùn)練數(shù)據(jù)集不足(特別是極端天氣類型)和所使用的分類器選擇困難的問題。鑒于上述考慮,本文提出了一種基于生成對抗網(wǎng)絡(luò)的訓(xùn)練樣本擴(kuò)充方法和基于卷積神經(jīng)網(wǎng)絡(luò)的天氣分類模型。首先,將氣象中心提供的33類氣象天氣類型根據(jù)特點(diǎn)重新歸納為10類廣義天氣類型,然后針對10類天氣類型下的輻照度數(shù)據(jù)分別利用基于生成對抗網(wǎng)絡(luò)的生成模型來增加輻照度訓(xùn)練數(shù)據(jù)集,最后將數(shù)據(jù)增強(qiáng)后的輻照度數(shù)據(jù)集訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的天氣分類模型,其中增強(qiáng)后輻照度數(shù)據(jù)集由原始和生成的輻照度數(shù)據(jù)組成。訓(xùn)練完成的天氣分類模型可以對歷史數(shù)據(jù)缺失標(biāo)簽進(jìn)行有效識別,而這些帶標(biāo)簽的輻照度數(shù)據(jù)將后續(xù)應(yīng)用于輻照度預(yù)測過程。在仿真過程中,我們評估了生成對抗網(wǎng)絡(luò)生成數(shù)據(jù)的質(zhì)量,并對卷積神經(jīng)網(wǎng)絡(luò)分類模型與...
【文章頁數(shù)】:79 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題研究背景及意義
1.2 光伏功率短期預(yù)測研究現(xiàn)狀
1.3 本文主要工作
第2章 基于深度學(xué)習(xí)理論的天氣狀態(tài)模式識別模型
2.1 基于深度學(xué)習(xí)的生成模型
2.1.1 GAN
2.1.2 Wasserstein GAN
2.1.3 WGAN-GP
2.1.4 GAN、WGAN、WGAN-GP三種模型生成樣本對比
2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.1 卷積層
2.2.2 池化層
2.2.3 全連接層
2.2.4 邏輯回歸層
2.2.5 一維卷積和二維卷積
2.3 基于WGAN-GP和卷積神經(jīng)網(wǎng)絡(luò)的天氣分類模型
2.4 仿真算例
2.4.1 仿真數(shù)據(jù)和仿真平臺
2.4.2 深度學(xué)習(xí)模型結(jié)構(gòu)和超參數(shù)
2.4.3 生成樣本質(zhì)量評估
2.4.4 不同模型準(zhǔn)確率對比
2.4.5 天氣分類模型在輻照度預(yù)測應(yīng)用
2.5 本章小結(jié)
第3章 基于天氣狀態(tài)分類和深度學(xué)習(xí)理論的輻照度預(yù)測模型
3.1 預(yù)測模型的組成
3.1.1 小波分解理論
3.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
3.1.3 長短期記憶網(wǎng)絡(luò)
3.1.4 雙向長短期記憶網(wǎng)絡(luò)
3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)性能測試
3.3 基于天氣分類的深度學(xué)習(xí)預(yù)測模型建立
3.4 仿真算例
3.4.1 仿真數(shù)據(jù)和仿真平臺
3.4.2 數(shù)據(jù)處理
3.4.3 性能指標(biāo)
3.4.4 模型訓(xùn)練和參數(shù)選擇
3.4.5 基于DWT-CNN-LSTM不同小波分解階數(shù)模型性能分析
3.4.6 不同輻照度預(yù)測模型性能分析
3.4.7 仿真討論
3.5 本章小結(jié)
第4章 結(jié)論與展望
4.1 結(jié)論
4.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
攻讀碩士學(xué)位期間參加的科研工作
致謝
本文編號:3998346
【文章頁數(shù)】:79 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題研究背景及意義
1.2 光伏功率短期預(yù)測研究現(xiàn)狀
1.3 本文主要工作
第2章 基于深度學(xué)習(xí)理論的天氣狀態(tài)模式識別模型
2.1 基于深度學(xué)習(xí)的生成模型
2.1.1 GAN
2.1.2 Wasserstein GAN
2.1.3 WGAN-GP
2.1.4 GAN、WGAN、WGAN-GP三種模型生成樣本對比
2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.1 卷積層
2.2.2 池化層
2.2.3 全連接層
2.2.4 邏輯回歸層
2.2.5 一維卷積和二維卷積
2.3 基于WGAN-GP和卷積神經(jīng)網(wǎng)絡(luò)的天氣分類模型
2.4 仿真算例
2.4.1 仿真數(shù)據(jù)和仿真平臺
2.4.2 深度學(xué)習(xí)模型結(jié)構(gòu)和超參數(shù)
2.4.3 生成樣本質(zhì)量評估
2.4.4 不同模型準(zhǔn)確率對比
2.4.5 天氣分類模型在輻照度預(yù)測應(yīng)用
2.5 本章小結(jié)
第3章 基于天氣狀態(tài)分類和深度學(xué)習(xí)理論的輻照度預(yù)測模型
3.1 預(yù)測模型的組成
3.1.1 小波分解理論
3.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
3.1.3 長短期記憶網(wǎng)絡(luò)
3.1.4 雙向長短期記憶網(wǎng)絡(luò)
3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)性能測試
3.3 基于天氣分類的深度學(xué)習(xí)預(yù)測模型建立
3.4 仿真算例
3.4.1 仿真數(shù)據(jù)和仿真平臺
3.4.2 數(shù)據(jù)處理
3.4.3 性能指標(biāo)
3.4.4 模型訓(xùn)練和參數(shù)選擇
3.4.5 基于DWT-CNN-LSTM不同小波分解階數(shù)模型性能分析
3.4.6 不同輻照度預(yù)測模型性能分析
3.4.7 仿真討論
3.5 本章小結(jié)
第4章 結(jié)論與展望
4.1 結(jié)論
4.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
攻讀碩士學(xué)位期間參加的科研工作
致謝
本文編號:3998346
本文鏈接:http://www.lk138.cn/kejilunwen/dianlilw/3998346.html
上一篇:PPy/TiO 2 光催化微生物燃料電池產(chǎn)電及在鈷酸鋰浸出中的應(yīng)用
下一篇:沒有了
下一篇:沒有了
最近更新
教材專著