基于时间序列和贝叶斯神经网络的非平稳时期光伏功率预测

作     者：党凯凯 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：安源;唐健

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：功率预测 集成学习 区间预测 多目标优化 点预测 

摘      要：由于光伏发电具有、随机性和间歇性,故大规模的光伏电站并入电力系统时会对电网产生冲击,尤其在光伏发电波动剧烈的非平稳时段,冲击导致的后果更加严重,对电网造成安全影响。因此非平稳时期的光伏功率预测具有十分重要的研究意义。本文针对光伏出力非平稳时期光伏功率预测的问题,提出了一种基于多目标优化的混合预测模型,提升了非平稳时期的光伏功率的预测精度,主要研究内容如下:（1）提出了一种基于辐功比差的非平稳时段判别法,经过验证,该方法能够准确的判别出非平稳出力时段,相较于传统的以天气类型划分光伏平稳出力时段和非平稳出力时段的方法,判别更加准确高效。（2）定性分析了光伏功率的主要影响因素,并进行了非线性相关性分析,选取了相关性较强的若干特征,作为模型的输入,为后续的功率预测奠定基础。（3）在长短期记忆神经网络（LSTM,Long Short-Term Memory）预测模型的基础上,提出了 Stack-LSTM预测模型。通过构建新的特征因素来挖掘数据隐含的特征信息,实验表明该模型的预测精度能够提升9%-17%。（4）提出了一种基于多目标优化的混合预测模型,结合了点预测和区间预测模型,充分利用了两种模型之间的优势,并对预测结果分别进行两种形式的优化,结果表明,基于点预测的优化结果预测精度提升5%-8%;基于区间预测的优化结果相较于普通的区间预测,在区间覆盖率不变的前提下,区间宽度更窄,预测精度提升15%-20%。