發(fā)布時(shí)間：2024-03-26 01:45

　　化石能源枯竭與環(huán)境保護(hù)壓力迫使人類開發(fā)利用新的清潔能源,光伏發(fā)電作為新型清潔能源的一種在近年來得到了廣泛應(yīng)用和快速發(fā)展。光伏發(fā)電功率具有隨機(jī)波動(dòng)性,準(zhǔn)確預(yù)測光伏電站的輸出功率,能幫助電力調(diào)度部門合理地進(jìn)行運(yùn)行方式安排和控制,為電力系統(tǒng)經(jīng)濟(jì)和可靠運(yùn)行提供保障。本文首先介紹了光伏電池發(fā)電的原理、并網(wǎng)光伏發(fā)電系統(tǒng)的組成,進(jìn)而對(duì)光伏功率預(yù)測以及影響光伏發(fā)電預(yù)測功率的主要因素等做了仔細(xì)分析;其次對(duì)人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究和分析,確定了基于BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測模型,包括隱含層數(shù)和輸入輸出節(jié)點(diǎn)數(shù)以及激勵(lì)函數(shù)的選擇。針對(duì)光伏電站輸出功率歷史數(shù)據(jù)可能存在局部空缺、超出范圍和異常波動(dòng)等狀況,提出了一種數(shù)據(jù)檢測并對(duì)檢測出的異常數(shù)據(jù)進(jìn)行修復(fù)的方法,提高了光伏電站功率預(yù)測的精度。在此基礎(chǔ)上,針對(duì)BP神經(jīng)網(wǎng)絡(luò)本身易陷入局部極值、收斂速度慢等問題,采用了粒子群優(yōu)化算法(PSO)和帶擴(kuò)展記憶粒子群優(yōu)化算法(PSOEM)這兩種群智能算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始值和閾值。在介紹了 PSO和PSOEM的基本原理及實(shí)現(xiàn)步驟后,建立了 PSO-BP神經(jīng)網(wǎng)絡(luò)的光伏電站輸出功率預(yù)測和PSOEM-BP神經(jīng)網(wǎng)絡(luò)的光伏電...

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 光伏電站異常數(shù)據(jù)處理國內(nèi)外研究現(xiàn)狀
        1.2.2 光伏電站功率預(yù)測國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
2 光伏發(fā)電相關(guān)理論基礎(chǔ)
    2.1 光伏發(fā)電技術(shù)
        2.1.1 光伏電池發(fā)電原理
        2.1.2 光伏發(fā)電系統(tǒng)組成
    2.2 光伏發(fā)電影響因素分析
        2.2.1 太陽輻照度對(duì)光伏電站輸出功率的影響
        2.2.2 溫度對(duì)光伏電站輸出功率的影響
        2.2.3 相對(duì)濕度對(duì)光伏電站輸出功率的影響
        2.2.4 風(fēng)速對(duì)光伏電站輸出功率的影響
        2.2.5 天氣類型對(duì)光伏電站輸出功率的影響
    2.3 數(shù)據(jù)處理
        2.3.1 數(shù)據(jù)歸一化處理
        2.3.2 常見不良數(shù)據(jù)類型
        2.3.3 異常數(shù)據(jù)的檢測
        2.3.4 異常數(shù)據(jù)的修復(fù)
    2.4 本章小結(jié)
3 基于BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測研究
    3.1 神經(jīng)網(wǎng)絡(luò)模型
        3.1.1 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
        3.1.2 人工神經(jīng)元模型
        3.1.3 人工神經(jīng)元的激活函數(shù)
    3.2 BP神經(jīng)網(wǎng)絡(luò)
        3.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        3.2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
        3.2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        3.2.4 BP神經(jīng)網(wǎng)絡(luò)的局限性
    3.3 BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測模型
        3.3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建
        3.3.2 隱含層節(jié)點(diǎn)的確定
    3.4 本章小結(jié)
4 帶擴(kuò)展記憶的粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測研究
    4.1 粒子群算法相關(guān)基礎(chǔ)知識(shí)
        4.1.1 粒子群算法的基本原理
        4.1.2 粒子群算法的基本流程
        4.1.3 粒子群算法的優(yōu)缺點(diǎn)
        4.1.4 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測模型
    4.2 利用擴(kuò)展記憶功能粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型
        4.2.1 帶擴(kuò)展記憶粒子群算法的基本原理
        4.2.2 帶擴(kuò)展記憶粒子群算法的穩(wěn)定范圍
        4.2.3 帶擴(kuò)展記憶的粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測模型
    4.3 本章小結(jié)
5 仿真實(shí)驗(yàn)和結(jié)果分析
    5.1 數(shù)據(jù)分析與選取
    5.2 評(píng)價(jià)指標(biāo)
    5.3 預(yù)測結(jié)果分析
        5.3.1 三種預(yù)測模型某天預(yù)測結(jié)果
        5.3.2 三種預(yù)測模型在連續(xù)三天預(yù)測結(jié)果
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3939177