基于改进神经网络的光伏发电功率预测研究

【摘要】：伴随着全球经济的飞速发展,人类对能源的消耗也在不断增加,传统能源越来越少,面临枯竭的危险,同时传统化石能源燃烧所带来的环境污染问题也引起了人们的关注,人们积极的探索各种可再生资源,以解决化石能源短缺以及环境污染问题。和其他新能源相比,太阳能具有分布范围广、利用率高、无污染等优点。但由于光伏发电具有随机性和间歇性等特点,使得大规模光伏电站的安全稳定运行面临严峻挑战,因此对光伏发电输出功率进行精准预测就有了重要的研究价值和现实意义。本论文致力于优化神经网络模型,探索提高光伏发电功率预测模型精确度的方法。主要的研究内容如下:(1)将Conv LSTM算法用于光伏发电功率预测,同时为了进一步提高预测精度,提出并建立了一种基于EMD-Conv LSTM的光伏发电功率预测模型,首先利用EMD算法将原始功率数据分解成若干个平稳的子序列,再利用Conv LSTM算法对EMD分解的每一个子序列进行预测,将预测结果叠加得到最终的预测结果,最后通过实验验证了模型的可行性。并对LSTM、和EMD-LSTM算法模型进行了仿真实验,结果表明,EMD-Conv LSTM神经网络光伏发电功率预测模型的预测值曲线和实际功率曲线吻合更好,误差更小,预测精度更高。(2)提出并建立了一种基于烟花算法(FWA)优化BP神经网络的光伏发电功率预测模型,考虑到BP神经网络算法选取初始权值和阈值的随机性、容易陷入局部极小值和收敛速度慢的缺点,采用烟花算法来优化BP神经网络的初始权值和阈值,建立了FWA-BP神经网络光伏发电功率预测模型。同时,建立了单一BP神经网络和遗传算法优化BP神经网络(GABP)模型,分别对三种模型进行实例仿真,得到了不同模型的预测曲线图以及相应的误差指标数据,通过对图像和数据的对比分析,验证了所提算法模型的可行性以及准确性。(3)实现了功率预测模型的可视化展示,包括数据处理模块、预测模块以及GUI界面模块,用户在使用时只需要点击按钮就可以完成数据导入、数据处理以及功率预测,并通过GUI界面直观清晰地了解预测结果。