首页 > 双碳期刊> 正文

基于LSTM神经网络的中长期光伏电站发电量预测方法研究

2022-03-14 10:35:54 编辑:双碳时间

【机构】 浙江华云电力工程设计咨询有限公司; 浙江工业大学机械学院机电所;

【摘要】 准确估算光伏电站的中长期发电量对电网规划改进、调度优化、管理发展具有重要意义。然而,由于中长期发电量预测与短期出力预测存在显著差异,短期出力预测技术无法直接应用于中长期电量预测。文章提出一种基于模糊C均值聚类-随机森林算法FCM-RF和LSTM神经网络的中长期辐照度预测模型,进而提出间接预测分布式光伏电站发电量的方法。针对传统随机森林在数据差异性处理能力不足的问题,引入模糊C均值聚类算法对传统随机森林算法模型进行了改进。设计了LSTM神经网络,解决了"长时间周期依赖"问题。最后经实验验证,该分布式光伏电站中长期发电量预测模型每月预测平均误差百分数MAPE在3.5%上下波动,各电站年预测值在1.1%上下波动,预测效果较好。

 

随着近年来太阳能、风能、生物质能等新能源发电技术的飞速发展,准确预测光伏电站各个时期的发电量变得非常重要。成功预测光伏电站发电量有助于分布式光伏电站的优化经济运行和电网的安全可靠运行。目前我国分布式光伏电站建设存在缺乏系统全面的前期规划,项目运营成本超过预期等问题。因此,建立可靠的模型预测分布式光伏电站的发电量,越来越成为可再生能源发电领域的研究热点之一[1]。现有的光伏发电输出预测方法从预测的时间尺度来看,超短期和短期预测模型有助于电力系统调配与运营[2]。而中长期发电预测则采用统计学分析方法,通过对目标电站所在区域的中长期气象数据、辐照度等监测数据拟合分析,并结合分布式光伏电站自身系统效率变化,预测以后一个月或甚至更久的电力输出,可以应用于光伏电站的选址及效益评估等方面[3]。目前,国内暂时没有中长期时间尺度的研究,国外有少数学者在此方面研究,但相关文献较少。Kanna[4]建立了一种基于自适应小波神经网络的长期光伏发电预测模型。Yu[5]采用局部高斯 过程回归高斯混合用于长期光伏发电预测的 Copula 函数。李芬[6]基于历史光伏发电时间序列 数据和 GA-BPNN 算法联合建模实现光伏短期 出力预测。谭建斌[7]基于思维进化算法和 BP 神 经网络算法,建立了光伏发电功率的短期预测模 型。模型以温度、辐照度、风速和历史出力序列为 输入因子,根据季节划分为 4 个预测单元,对其 分别进行训练和输出预测。通过仿真验证了算法 的有效性和准确性。Garcia-Martos[8]提出了基于 动态因素的光伏发电中期预测模型。不同于超短 期、短期预测模型,中长期预测模型需要考虑光 伏电站长时间周期工作下的损耗因素,即系统效 率(PR),但目前大多数有关系统效率的研究都 是基于复杂的物理模型,基于数据驱动的系统效 率模型尚未建立。 现有的光伏发电预测相关的工作主要集中在 短期和超短期。出于电网运营商和规划者的需要, 中长期发电预测已开始受到越来越多的关注[9]。 而中长期的光伏发电预测需要提供更多的气象和 运营数据。鉴于现有光伏发电预测方法存在的问题,本文提出一种基于 FCM-RF(Fuzzyc-meansal- gorithm-Random forest)和 LSTM(Long Short-Term Memory)神经网络的分布式光伏电站发电量预测 方法。针对特性划分和特征提取中出现的问题,采 用FCM 聚类将分布式光伏电站数据聚类,然后按 聚类结果在不同类数据上构建CART 树,并对各 类CART 树剪枝处理,提取主要影响分布式光伏 电站发电的特征,实现特征降维,提高模型运算速 度。最后,经过基于剪枝后的CART 树模型预测分 布式光伏发电验证,所提出的方法在预测精度和 降低模型的训练时长方面均优于其他方法。针对 分布式光伏电站的发电量受辐照度的影响较大的 问题,现对辐照度进行预测,但是进行长期预测存 在“长时间周期依赖”问题,所以引入 LSTM 神经 网络的设计,解决了这一问题。在分布式光伏电站 中长期发电量预测任务中,使用间接预测方法,通 过历史气象数据预测未来中长期时间尺度的辐照 度,结合分布式光伏电站系统效率值(PR),最终预 测系统发电量.

全文地址:https://shimo.im/files/0l3NVOLYoXi6Bo3R/ 《基于LSTM神经网络的中长期光伏电站发电量预测方法研究.pdf》

标签:

关注“双碳时间”公众号,获得一手资讯!

文章评论

表情

共 0 条评论,查看全部
  • 这篇文章还没有收到评论,赶紧来抢沙发吧~
郭正亮完整视频在线播放
©双碳时间 © 广东低碳企业技术协会主办© 微信:web2ctime