没有合适的资源?快使用搜索试试~ 我知道了~
首页时域卷积网络在光伏发电功率预测中的应用
时域卷积网络在光伏发电功率预测中的应用
需积分: 0 12 下载量 89 浏览量
更新于2023-05-09
2
收藏 2.51MB PDF 举报
【资源摘要信息】: "基于时域卷积网络精细化光伏发电功率预测的研究,旨在解决传统预测方法在精度上的不足。文章作者刘文杰等人提出了一种创新的预测模型,该模型结合了时域卷积网络(Time-Domain Convolutional Network, TDCN),通过整合因果卷积和膨胀卷积来提高预测精度。模型还采用了跨层连接以增强特征学习,并在损失函数中引入了自适应影响因子,优化预测效果。在特征工程方面,将数值气象预报数据与时间特征相结合,构建多特征预测模型。 文章特别关注了光伏发电功率预测的问题,因为光伏电站的输出功率受到诸多因素影响,如太阳辐射强度、温度、云层覆盖等,这些因素具有显著的时间序列特性。传统的预测算法往往未能充分考虑这些动态变化,导致预测结果的不准确。刘文杰等人的研究中,他们利用新疆和华东地区的光伏电站数据进行了对比实验,结果显示,提出的TDCN模型相对于支持向量机(SVM)和无时域特性的神经网络算法,能够显著提高预测精度,验证了新方法的有效性。 该研究受到国家自然科学基金的支持,对于提高可再生能源的利用效率,特别是光伏发电的调度和管理,具有重要的理论和实践价值。通过精确的功率预测,电力系统可以更好地规划电力供应,减少因光伏发电波动性带来的电网稳定性问题,促进清洁能源的广泛应用。" 这篇研究论文详细探讨了如何利用深度学习技术改进光伏发电功率预测,其核心在于设计了一个融合时间序列信息的卷积神经网络模型,通过多特征融合和优化损失函数,提升了预测性能,有助于推动光伏产业的健康发展。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/12966342/bg1.jpg)
新能源
Renewable
Energy Sources
[引文信息]
刘文杰,陈耀,宋晓宁,等.基于时域卷积网络精细化光伏发电功率预测[J]. 供用电,2020,37(10): 76-82.
LIU Wenjie,CHEN Yao,SONG Xiaoning,et al.A refined photovoltaic power prediction based on timedomain convolutional
network[J]. Distribution & Utilization,2020,37(10): 76-82.
基金项目:国家自然科学基金项目(61876072)。
Supported by National Natural Science Foundation of China
(61876072).
76 DISTRIBUTION & UTILIZATION供用电 2020.10
基于时域卷积网络精细化光伏发电功率预测
刘文杰
1
,陈耀
2
,宋晓宁
3
,张万强
1
(1.国家电投集团东方新能源股份有限公司衡水分公司,河北 衡水 053000;2.新疆
金风科技集团股份有限公司风电产业集团,江苏 无锡 214000;3.江南大学 物联网工
程学院,江苏 无锡 214000)
摘 要:针对传统光伏功率预测算法模型没有与时间序列结合而引发精度不高的问题,提出了一种基于时域卷积
网络精细化的光伏发电功率预测方法。该预测模型利用卷积神经网络并融合了因果卷积和膨胀卷积;在卷积特征
上,使用跨层连接;在损失函数上,增加了自适应影响因子;在特征工程上,将数值气象预报发布的多个预测数
据与时间特征结合进行多特征预测。根据新疆、华东两个光伏电场数据集的预测结果显示,与支持向量机算法和
未加入时域特性的神经网络算法对比,该算法在光伏功率预测精度上均有不同程度的提升,充分证明了有效性。
关键词:光伏;卷积神经网络;时间序列;功率预测
中图分类号:TM74 文献标志码:A DOI:10.19421/j.cnki.1006-6357.2020.10.012
0 引言
随着化石燃料的逐步枯竭和人们环保意识的不断
加强,充分利用太阳能、风能等清洁能源具有重要意
义。根据国家能源局发布的信息
[1]
,截至2019年6月底,
全国光伏发电累计装机18 559万kW,居世界第一。然
而,与传统能源不同的是,光伏发电系统的发电量因受
太阳辐射和其他气象条件的影响而变化很大,要成功地
将太阳能纳入电网,需要对光伏发电量进行准确的预
测
[2]
。普遍应用的功率预测模型可分为两类:①统计模
型,如自回归模型
[3]
(autoregressive model,AR)、 差
分整合移动平均自回归模型
[4]
(autoregressive integrated
moving average model,ARIMA)和指数平滑模型
[5]
(exponential smoothing,ES); ②人工智能模型,如神经
网络(neural networks,NNs)
[6-8]
、模糊逻辑系统(fuzzy
logic system,FLSs)
[9]
、支持向量机
[10]
(support vector
machine,SVM)。
文献[3]考虑了非平稳多元时间序列的建模处理
问题,利用遗忘指数来实现模型的动态变化,并将其
应用于风电场风电功率的预测,这对于光伏功率预测
同样具有一定的参考价值。文献[4]利用计算最优差
分次数来提高功率预测序列的平稳性。文献[5]针对
光伏电站输出的功率随机波动性和间歇性,利用指数平
滑和改进后的灰色模型缓解了光伏序列的波动性。文
献[6]同样考虑了光伏功率序列的时间延续性,将具
有局部记忆单元和局部反馈连接的Elman神经网络应用
到光伏功率预测中,并得到了良好的预测结果。文献
[7]将attention机制和长短期记忆网络(long short-term
memory,LSTM)结合并应用到电力系统负荷预测中,
此方法考虑了功率序列的自相关性,在光伏功率预测中
具有一定的参考价值。文献[8]结合卷积神经网络的
特征提取能力和LSTM的记忆能力,设计出双通道网络
模型进行光伏功率预测。文献[9]根据光伏阵列非线
性伏安特性,提出了基于模糊逻辑双环控制光伏阵列最
大功率跟踪算法。文献[10]利用光伏阵列的发电量、
地表太阳能辐射量和气温序列统一建模并用支持向量机
进行拟合,缓解了光伏发电的随机化问题。
然而,传统的卷积神经网络(convolutional neural
networks,CNN)预测模型无法有效地捕捉光伏发电的
时间特征
[8]
。本文针对卷积神经网络在光伏功率预测中
的不足,提出了一种基于时域卷积网络精细化光伏发电
功率预测系统,利用光伏序列的时间特性结合时域卷积
网络(temporal convolutional network,TCN)在预测模型
中增加残差连接和因果连接
[11]
,使得模型具有提取时序
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/d5264987bca74ee9991d680fa39b5685_sparkqiang.jpg!1)
SparkQiang
- 粉丝: 62
- 资源: 123
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 构建智慧路灯大数据平台:物联网与节能解决方案
- 智慧开发区建设:探索创新解决方案
- SQL查询实践:员工、商品与销售数据分析
- 2022智慧酒店解决方案:提升服务效率与体验
- 2022年智慧景区信息化整体解决方案:打造数字化旅游新时代
- 2022智慧景区建设:大数据驱动的5A级管理与服务升级
- 2022智慧教育综合方案:迈向2.0时代的创新路径与实施策略
- 2022智慧教育:构建区域教育云,赋能学习新时代
- 2022智慧教室解决方案:融合技术提升教学新时代
- 构建智慧机场:2022年全面信息化解决方案
- 2022智慧机场建设:大数据与物联网引领的生态转型与客户体验升级
- 智慧机场2022安防解决方案:打造高效指挥与全面监控系统
- 2022智慧化工园区一体化管理与运营解决方案
- 2022智慧河长管理系统:科技助力水环境治理
- 伪随机相位编码雷达仿真及FFT增益分析
- 2022智慧管廊建设:工业化与智能化解决方案
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)