基于PSOEM和神经网络的光伏电站短期功率预测研究

发布时间：2024-03-26 01:45

　　化石能源枯竭与环境保护压力迫使人类开发利用新的清洁能源,光伏发电作为新型清洁能源的一种在近年来得到了广泛应用和快速发展。光伏发电功率具有随机波动性,准确预测光伏电站的输出功率,能帮助电力调度部门合理地进行运行方式安排和控制,为电力系统经济和可靠运行提供保障。本文首先介绍了光伏电池发电的原理、并网光伏发电系统的组成,进而对光伏功率预测以及影响光伏发电预测功率的主要因素等做了仔细分析;其次对人工神经网络中的BP神经网络进行了研究和分析,确定了基于BP神经网络的功率预测模型,包括隐含层数和输入输出节点数以及激励函数的选择。针对光伏电站输出功率历史数据可能存在局部空缺、超出范围和异常波动等状况,提出了一种数据检测并对检测出的异常数据进行修复的方法,提高了光伏电站功率预测的精度。在此基础上,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用了粒子群优化算法(PSO)和带扩展记忆粒子群优化算法(PSOEM)这两种群智能算法来优化BP神经网络的初始值和阈值。在介绍了 PSO和PSOEM的基本原理及实现步骤后,建立了 PSO-BP神经网络的光伏电站输出功率预测和PSOEM-BP神经网络的光伏电...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 光伏电站异常数据处理国内外研究现状
        1.2.2 光伏电站功率预测国内外研究现状
    1.3 本文主要工作
2 光伏发电相关理论基础
    2.1 光伏发电技术
        2.1.1 光伏电池发电原理
        2.1.2 光伏发电系统组成
    2.2 光伏发电影响因素分析
        2.2.1 太阳辐照度对光伏电站输出功率的影响
        2.2.2 温度对光伏电站输出功率的影响
        2.2.3 相对湿度对光伏电站输出功率的影响
        2.2.4 风速对光伏电站输出功率的影响
        2.2.5 天气类型对光伏电站输出功率的影响
    2.3 数据处理
        2.3.1 数据归一化处理
        2.3.2 常见不良数据类型
        2.3.3 异常数据的检测
        2.3.4 异常数据的修复
    2.4 本章小结
3 基于BP神经网络的功率预测研究
    3.1 神经网络模型
        3.1.1 神经网络理论基础
        3.1.2 人工神经元模型
        3.1.3 人工神经元的激活函数
    3.2 BP神经网络
        3.2.1 BP神经网络的结构
        3.2.2 BP神经网络的学习算法
        3.2.3 BP神经网络的训练
        3.2.4 BP神经网络的局限性
    3.3 BP神经网络的功率预测模型
        3.3.1 BP神经网络预测模型构建
        3.3.2 隐含层节点的确定
    3.4 本章小结
4 带扩展记忆的粒子群算法优化BP神经网络功率预测研究
    4.1 粒子群算法相关基础知识
        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 粒子群算法的优缺点
        4.1.4 粒子群算法优化BP神经网络的功率预测模型
    4.2 利用扩展记忆功能粒子群算法优化BP神经网络模型
        4.2.1 带扩展记忆粒子群算法的基本原理
        4.2.2 带扩展记忆粒子群算法的稳定范围
        4.2.3 带扩展记忆的粒子群算法优化BP神经网络功率预测模型
    4.3 本章小结
5 仿真实验和结果分析
    5.1 数据分析与选取
    5.2 评价指标
    5.3 预测结果分析
        5.3.1 三种预测模型某天预测结果
        5.3.2 三种预测模型在连续三天预测结果
    5.4 本章小结
6 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献
附录



本文编号：3939177