基于人工智能的光伏发电短期功率预测技术

【摘要】：随着我国环境污染加重及能源结构调整,可再生能源获得大力发展,光伏发电由于具有安全、清洁、高效、无污染、无噪声等优点,受到世界各国的青睐,其中光伏发电装机容量稳步提高,然而光伏电源有功出力的间歇性、随机性等特点,使得光伏发电站大规模并网时势必会给电力系统的稳定性带来威胁。为了保证其并网过程的安全性和稳定性,充分利用好光伏发电的优点,本文围绕着光伏发电功率预测技术进行了深入的研究。首先,本文总结了前人对于光伏发电功率预测技术的经验,阐述了光伏发电的基本原理,并结合现场数据分析了光伏发电功率的影响因素,通过相关系数对比研究分析了各因素对于光伏发电功率的影响程度。其次,为了提高光伏发电功率预测的数据质量并消除天气类型的影响,本文采用改进型灰色关联理论从原始数据集中选出相似关联数据,并通过归一化数据样本集,来消除由于数据量纲不同而造成数据大小的影响。在此基础上,分析了反向传播(back-propagation,BP)神经网络、决策回归树、支持向量回归算法及梯度提升树的数学原理,通过实验对比分析了四种算法的准确率和误差。实验结果表明,基于人工智能算法建立的光伏发电功率预测模型中,BP神经网络算法的准确率较高,但是在训练模型的过程中极易出现过拟合,影响最后的预测效果。为此,本文通过贝叶斯神经网络来解决上述人工智能算法存在的局限性,并通过数学理论解释了贝叶斯神经网络的工作原理,贝叶斯神经网络具有更强的泛化能力和更好的鲁棒性,能有效防止过拟合。经实验对比分析优化前后算法的预测准确率和误差,表明基于贝叶斯神经网络建立的光伏发电功率预测方法,具有更高的准确率。