摘要
光伏电站输出功率受多种外界环境因素影响显著,存在非线性、波动大等缺点。针对这一问题,提出改进的深度置信网络(Deep Belief Network,DBN)的方法。首先利用遗传算法(Genetic Algorithm,GA)为DBN神经网络选取最优的初始权值;其次利用灰色关联度法选择与预测日气象特征相似度高的日期,将这些日期的天气数据和历史发电功率作为训练样本训练DBN神经网络,建立短期光伏预测模型;最后通过仿真算例分析验证了该方法对传统DBN模型预测准确度的提升,且具有一定的可行性。
引文
[1]赵玉文.太阳能利用的发展概况和未来趋势[J].中国电力,2003,36(9):63-69.
[2]安德洪,柳湘月,刘嘉焜,等.基于季节ARIMA模型的电力负荷建模与预报[J].天津大学学报:自然科学与工程技术版,2004,37(2):184-187.
[3]李钷,李敏,刘涤尘.基于改进回归法的电力负荷预测[J].电网技术,2006,30(1):99-104.
[4]李栓,刘莉,刘阳.趋势外推法在电力负荷预测中的应用[J].沈阳工程学院学报:自然科学版,2005,1(2):64-65.
[5]王继东,宋智林,冉冉.基于改进支持向量机算法的光伏发电短期功率滚动预测[J].电力系统及其自动化学报,2016,28(11):9-13.
[6]吴坚,郑照红,薛家祥.深度置信网络光伏发电短时功率预测研究[J].中国测试,2018(5):6-11.
[7]Kawasaki N,Oozeki T,Otani K,et al.An evaluation method of the fluctuation characteristics of photovoltaic systems by using frequency analysis[J].Solar Energy Materials and Solar Cells,2006,90(18-19):3356-3363.
[8]肖同录,赵增顺.基于深度信念网络的短期电力负荷预测[J].电子世界,2014(10):186-187.
[9]杨晓帆,陈廷槐.人工神经网络固有的优点和缺点[J].计算机科学,1994,21(2):23-26.
[10]王新普,周想凌,邢杰,等.一种基于改进灰色BP神经网络组合的光伏出力预测方法[J].电力系统保护与控制,2016,44(18):81-87.
[11]Friedrich L,Afshari A.Short-term forecasting of the abu dhabi electricity load using multiple weather variables[J].Energy Procedia,2015,75:3014-3026.
[12]黄建国,罗航,王厚军,等.运用GA-BP神经网络研究时间序列的预测[J].电子科技大学学报,2009,38(5):687-692.
[13]王武,张元敏,蔡子亮.基于遗传优化神经网络的电力系统短期负荷预测[J].电力系统保护与控制,2008,36(9):39-42.
[14]张岚,张艳霞,郭嫦敏,等.基于神经网络的光伏系统发电功率预测[J].中国电力,2010,39(9):75-78.
[15]倪春花,陈国恩,朱伟,等.基于相似日理论和BP神经网络的光伏发电功率预测[J].电气应用,2016,35(1):42-48.
[16]Chen H,Murray A F.Continuous restricted boltzmann machine with an implementable training algorithm[J].IEE Proceedings Vision,Image and Signal Processing,2003,150(3):153-158.
[17]陈艳.基于遗传神经网络的短期电力负荷预测研究[D].大连:大连理工大学,2005.
[19]晁静.基于DBN的汇率预测研究[D].南京:南京大学,2012.