新能源發(fā)電功率預測

目錄
《智能電網(wǎng)研究與應用叢書》序
前言
第1章 新能源功率預測背景意義 1
1.1 新能源的發(fā)展 1
1.1.1 風力發(fā)電 1
1.1.2 光伏發(fā)電 3
1.2 問題與挑戰(zhàn) 7
1.3 新能源功率預測的意義 9
參考文獻 9
第2章 預測基本問題概述 11
2.1 新能源功率預測的基本方式 11
2.1.1 直接預測 11
2.1.2 分步預測 12
2.2 新能源功率預測時空尺度 14
2.3 功率預測方法 15
2.3.1 時間序列 15
2.3.2 人工神經(jīng)網(wǎng)絡 17
2.3.3 支持向量機 22
2.3.4 小波變換 28
2.3.5 經(jīng)驗模態(tài)分解 30
2.3.6 混沌理論與相空間重構 32
2.4 預測誤差評價與考核 34
參考文獻 35
第3章 光伏發(fā)電系統(tǒng)出力特性分析 37
3.1 光伏發(fā)電系統(tǒng)簡介 37
3.1.1 光伏發(fā)電的基本原理 37
3.1.2 光伏發(fā)電系統(tǒng)的結構 38
3.2 光伏發(fā)電系統(tǒng)出力特性 39
3.2.1 光伏發(fā)電系統(tǒng)的輸出特性 39
3.2.2 光伏發(fā)電功率影響因子相關性分析 41
3.2.3 光伏電站發(fā)電功率出力特性的關聯(lián)數(shù)據(jù)模型 48
參考文獻 51
第4章 光伏發(fā)電功率極短期預測 53
4.1 概述 53
4.2 基于天空圖像的光伏發(fā)電功率分鐘級預測方法 54
4.2.1 云團運動對光伏發(fā)電功率的影響機理 54
4.2.2 光伏發(fā)電功率分鐘級預測基本技術路線 54
4.3 云空辨識 56
4.3.1 基于大類間方差法的云空辨識算法 56
4.3.2 基于k-means 聚類的云團辨識方法 59
4.4 云團運動速度計算 63
4.4.1 傅里葉相位相關理論 63
4.4.2 云團運動速度計算流程 64
4.4.3 云團運動速度計算結果準確性分析 65
4.4.4 仿真與分析 67
4.5 基于相移不變性的改進云團位移計算 71
4.5.1 相移不變性 71
4.5.2 基于相移不變性的天空圖像云團位移計算改進算法 73
4.5.3 仿真結果與分析 75
4.6 地表輻照度計算 80
4.6.1 地表輻照度計算流程 80
4.6.2 晴空地表輻照度 81
4.6.3 天空圖像云遮擋特征提取 82
4.6.4 BP 模型輸入變量及網(wǎng)絡拓撲結構選取 84
4.6.5 仿真與分析 85
4.7 本章小結 87
參考文獻 88
第5章 光伏發(fā)電功率超短期預測 90
5.1 概述 90
5.2 集合預測方法 90
5.3 基于小波分解的多重并行預測 91
5.4 多重并行預測結果的自適應時間斷面融合 94
5.5 算法仿真與討論 97
5.5.1 仿真過程設計 97
5.5.2 仿真結果比較 97
5.5.3 聯(lián)合優(yōu)化過程討論 101
5.6 本章小結 102
參考文獻 103
第6章 光伏發(fā)電功率短期預測 104
6.1 概述 104
6.2 基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預測方法 104
6.2.1 歷史數(shù)據(jù)分組與缺失標簽恢復 104
6.2.2 光伏電站發(fā)電功率分類預測方法 107
6.3 重要氣象影響因子預測 109
6.3.1 輻照度神經(jīng)網(wǎng)絡預測模型仿真 109
6.3.2 基于時間周期性和臨近相似性的輻照度預測值修正方法 115
6.3.3 光伏電池組件溫度與氣象因素相關分析及光伏電池組件溫度預測 122
6.4 光伏電站發(fā)電功率關聯(lián)數(shù)據(jù)映射預測 141
參考文獻 145
第7章 深度學習理論在光伏發(fā)電功率預測中的應用 146
7.1 深度學習模型 146
7.1.1 基于深度學習理論的生成模型 146
7.1.2 卷積神經(jīng)網(wǎng)絡 153
7.1.3 循環(huán)神經(jīng)網(wǎng)絡 156
7.1.4 長短期記憶網(wǎng)絡. 160
7.1.5 雙向長短期記憶網(wǎng)絡 162
7.2 基于深度學習理論的天氣狀態(tài)模式識別模型 163
7.2.1 仿真數(shù)據(jù)與仿真平臺 165
7.2.2 深度學習模型結構和超參數(shù) 165
7.2.3 生成樣本質量評估 166
7.2.4 不同模型準確率對比 170
7.3 基于天氣狀態(tài)分類和深度學習理論的輻照度預測模型 174
7.3.1 預測模型的組成. 174
7.3.2 仿真算例 178
7.4 本章小結 191
參考文獻 191
第8章 風電功率超短期預測 193
8.1 概述 193
8.2 基于模糊粗糙集理論的風電功率預測方法 195
8.2.1 基于模糊粗糙集與改進聚類的神經(jīng)網(wǎng)絡風速預測模型 195
8.2.2 模型仿真實例與結果分析 196
8.3 基于混沌理論的風電功率預測方法 201
8.3.1 基于混沌分析和RBF(C-RBF)的功率預測模型 201
8.3.2 模型仿真實例與結果分析 202
8.4 基于EMD 的風電功率預測方法 204
8.4.1 基于EMD-ARMA 的風電功率預測模型 205
8.4.2 基于EMD-RBF 的風電功率預測模型 206
8.4.3 模型仿真實例與結果分析 207
8.5 考慮時空信息的風電功率預測方法 217
8.5.1 風速時空相關性分析 217
8.5.2 STCP-BP 組合的時空相關性預測模型 218
8.5.3 模型仿真實例與結果分析 221
參考文獻 225
第9章 風電功率短期預測 226
9.1 概述 226
9.2 基于NWP 的短期風力發(fā)電功率預測方法 226
9.2.1 NWP 信息與風力發(fā)電功率的關系 226
9.2.2 基于NWP 的神經(jīng)網(wǎng)絡風電功率預測 227
9.2.3 模型仿真實例及結果分析 227
9.3 風力發(fā)電功率的概率預測方法 228
9.3.1 風力發(fā)電功率預測誤差概率分布特性分析 229
9.3.2 貝塔分布模型及模型的優(yōu)化 231
9.3.3 模型仿真實例及結果分析 234
參考文獻 237
第10章 實際預測系統(tǒng) 238
10.1 光伏功率預測系統(tǒng) 238
10.1.1 概述 238
10.1.2 數(shù)據(jù)的采集和處理 238
10.1.3 系統(tǒng)的架構設計 241
10.1.4 系統(tǒng)拓撲與數(shù)據(jù)交換方式 244
10.1.5 功能設置與界面展示 247
10.1.6 小結 251
10.2 風電功率預測系統(tǒng) 251
10.2.1 概述 251
10.2.2 需求分析 251
10.2.3 構架設計 254
10.2.4 系統(tǒng)實現(xiàn) 259
10.2.5 系統(tǒng)應用 259
10.2.6 小結 263
參考文獻 263