检索结果-南通市图书馆

基于长短期记忆神经网络的地表太阳辐照度预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

太阳能学报 2021年第3期42卷 383-388页

作者：赵书强尚煜东杨燕燕李永华新能源电力系统国家重点实验室(华北电力大学) 保定071003

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型。采用递归结构的训练样本,以保证训练样本内部的时间耦合性。为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果... 详细信息

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型。采用递归结构的训练样本,以保证训练样本内部的时间耦合性。为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析。结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48%,表明所建模型更适用于GHI预测。

关键词：太阳辐照度预测循环神经网络长短期记忆神经网络深度学习

基于EMD-TCN的多能供热系统太阳辐照度预测模型

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2023年第11期44卷 182-188页

作者：闫文杰徐志杰薛桂香宋建材杜欣瑜河北工业大学人工智能与数据科学学院天津300401 天津商业大学信息工程学院天津300134 河北工业大学能源与环境工程学院天津300401

针对太阳辐照度的非平稳性和非线性影响多能供热系统运行效率和可靠性问题,该文提出一种基于经验模态分解(EMD)和时间卷积网络(TCN)的太阳辐照度混合预测模型EMD-TCN,更精准地从气象数据中提取太阳辐照度非线性和非平稳的隐含特征,获得... 详细信息

针对太阳辐照度的非平稳性和非线性影响多能供热系统运行效率和可靠性问题,该文提出一种基于经验模态分解(EMD)和时间卷积网络(TCN)的太阳辐照度混合预测模型EMD-TCN,更精准地从气象数据中提取太阳辐照度非线性和非平稳的隐含特征,获得更佳的预测精度。该研究利用逐时气象数据对所提出的EMD-TCN模型进行不同时间尺度的太阳辐照度预测实验,并与4种主流深度学习预测算法进行对比分析,结果表明该太阳辐照度预测模型具有更高的预测精度和泛化能力。

关键词：时间卷积网络经验模态分解太阳辐照度预测多能供热系统

利用蝙蝠算法优化SVR的太阳辐照度预测方法研究

在线全文

学校读者我要写书评

暂无评论

可再生能源 2018年第11期36卷 1612-1617页

作者：姚海成周剑林琳邢恩恺黄南天陈艳伟中国南方电网电力调度控制中心广东广州510700 吉林化工学院信息与控制工程学院吉林吉林132022 东北电力大学电气工程学院吉林吉林132012 北京清软创新科技股份有限公司北京100085

为了提高太阳辐照度的预测精度,提出一种利用蝙蝠算法(BA)优化支持向量回归(SVR)的太阳辐照度预测方法。首先,确定SVR预测器的基本结构,选取环境温度、云量、风速、风向、环境湿度以及年积日等与太阳辐照度关系较为紧密的气象监测数据,... 详细信息

为了提高太阳辐照度的预测精度,提出一种利用蝙蝠算法(BA)优化支持向量回归(SVR)的太阳辐照度预测方法。首先,确定SVR预测器的基本结构,选取环境温度、云量、风速、风向、环境湿度以及年积日等与太阳辐照度关系较为紧密的气象监测数据,构成SVR的输入特征向量,将待预测时段小时平均太阳辐照度作为SVR的输出;然后,以预测精度为判断依据,利用蝙蝠算法对SVR的惩罚因子和RBF核函数方差进行寻优;最后,利用最优参数建立SVR预测模型,并对太阳辐照度进行预测。分析结果表明,相比于无参数优化SVR预测模型和利用粒子群算法优化SVR模型的太阳辐照度预测方法,文章所提出的预测方法具有更高的预测精度。

关键词：太阳辐照度预测支持向量回归蝙蝠算法惩罚因子核函数

基于时空图卷积循环神经网络的短期太阳辐照度预测

在线全文

学校读者我要写书评

暂无评论

基于时空图卷积循环神经网络的短期太阳辐照度预测

作者：胡国平南昌大学

学位级别：硕士

太阳能是一种清洁、可再生的能源,越来越多的国家和地区将其作为发展可再生能源的重要方向。而太阳辐照度是太阳能发电的重要参数,因此准确预测太阳辐照度对于实现太阳能的可靠运行和可持续发展具有重要意义。然而,目前的研究大多基于... 详细信息

太阳能是一种清洁、可再生的能源,越来越多的国家和地区将其作为发展可再生能源的重要方向。而太阳辐照度是太阳能发电的重要参数,因此准确预测太阳辐照度对于实现太阳能的可靠运行和可持续发展具有重要意义。然而,目前的研究大多基于时间序列预测模型进行短期太阳辐照度预测,忽略了站点间的空间相关性。这种方法不能充分利用区域内站点间的相关性信息,从而影响短期太阳辐照度预测的精度。为了解决上述问题,本文提出了一种结合图卷积网络(GCN)和长短期记忆网络(LSTM)的时空序列预测模型,以整合时空信息进行短期太阳辐照度预测。该模型使用图卷积网络来提取区域内站点间的空间相关性,使用长短期记忆网络来提取太阳辐照度序列的时间相关性。相比于传统的时间序列预测模型,该方法充分利用了空间相关性信息,提高了短期太阳辐照度预测的精度。同时,为了满足实际应用需求,本文提出了一种基于可编程门阵列(FPGA)的硬件加速方案,在保证模型性能的同时提高计算效率。通过该研究,可以更好地理解太阳辐照度的时空特性,提高短期太阳辐照度预测的精度和效率,进一步促进太阳能发电技术的发展。本文提出的时空序列预测模型和硬件加速方案可以为太阳能发电领域的研究和实际应用提供重要的参考价值。本文主要研究内容如下:(1)本研究选定了新疆地区塔城、伊宁、阿克苏、乌鲁木齐、焉耆和喀什这六个站点作为研究对象,并将它们构建为一个无向图结构,其中每个站点作为一个节点,相邻站点之间的边表示它们之间的空间相关性。通过收集这六个站点的太阳辐照度数据和气象数据,本文对影响太阳辐射量的气象因素进行相关性分析,以确定模型的输入。(2)本研究首先提出了一个时空图卷积循环神经网络(GCN-LSTM)模型,该模型利用GCN提取站点间的空间相关性,同时利用LSTM提取太阳辐射数据的时间相关性。通过结合GCN和LSTM,能够有效地整合空间和时间信息,提高太阳辐照度的预测准确度。接下来,使用历史气象数据和太阳辐射数据对模型进行训练,以温度、湿度、气压、风速、太阳天顶角等气象因素作为模型的输入。最后,在不同的实验条件下对模型的预测性能进行评估,并将该模型与其他常用的预测模型(包括季节性差分自相关移动平均模型(SARIMA)、卷积神经网络(CNN)、循环神经网络(RNN)和LSTM)的预测性能进行比较。实验结果表明,GCN-LSTM模型在六个地点的平均均方根误差(RMSE)为62.06 W/m,与其他模型相比,分别降低了9.8%、14.3%、6.9%和3.3%;平均绝对误差(MAE)为25.38 W/m,与其他模型相比,分别降低了27.7%、26.5%、20.1%和11%;平均决定系数(R)为0.94,与其他模型相比,分别提升了1.4%、2.2%、0.8%和0.4%。这说明时空图卷积循环神经网络模型可以显著提高短期太阳辐照度的预测精度,为太阳能发电的实际应用提供了有力的支持。(3)本研究提出的GCN-LSTM模型在短期太阳辐照度预测方面具有良好的性能和应用前景。然而,由于模型计算复杂度高、数据量和参数规模庞大,其部署到实际光伏电站中使用时会面临着高功耗和低效率的问题。因此,本研究提出一种基于FPGA的硬件加速方案,采用定点数运算和流水线技术来优化计算性能。实验结果表明,使用硬件加速器可以显著提高GCN-LSTM模型的计算速度和效率,同时保证了预测精度,为模型在实际光伏电站中的应用提供了可行性。

关键词：太阳辐照度预测时空序列预测图卷积网络长短期记忆网络 FPGA硬件加速

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模型融合的超短期太阳辐照度预测

基于多模型融合的超短期太阳辐照度预测

作者：张明辉北京邮电大学

学位级别：硕士

光伏发电是一种将太阳能转化为电能的可再生能源发电技术,其不仅能提供高质量、清洁、可持续的解决方案来应对能源危机,还有助于减少对化石燃料的依赖并降低对环境的影响。但是由于光伏发电的不稳定性,给电网、光伏发电机构等带来严重... 详细信息

光伏发电是一种将太阳能转化为电能的可再生能源发电技术,其不仅能提供高质量、清洁、可持续的解决方案来应对能源危机,还有助于减少对化石燃料的依赖并降低对环境的影响。但是由于光伏发电的不稳定性,给电网、光伏发电机构等带来严重的安全和效率问题。为此,需要准确地对地面太阳辐照度作出预测,这不仅是提高光伏发电功率预测精度的关键步骤,也是保障电力稳定供应、优化电网整合、提高市场运作效率以及提高光资源和光伏设施利用效率的重要手段。本文在总结了国内外光伏预测领域研究现状的基础上,对地面太阳辐照度的超短期预测进行了研究,创新性地将卫星数据与气象数据、历史辐照数据相结合,基于不同的原理构造了三种融合的超短期太阳辐照度预测模型,并且模型效果在两个观测站点上得到了相互验证。主要研究成果如下:1.参考物理学相关知识,对原始数据进行特征工程,生成了多个对提高模型性能有帮助的特征,并且使用晴空指数作为中间变量,将预测地面太阳辐照度转换为预测晴空指数,并通过对比实验证明了方法的优越性。2.对单一机器学习模型进行参数调优,根据预测性能选择用于stacking的基模型,对传统的stacking模型融合方法进行改进,分别是在训练过程中加入原始特征和使用伪标签,并通过消融实验证明了创新的有效性。3.构造基于特征级的长短期记忆网络和卷积神经网络的融合模型LSTMNND,长短期记忆网络用于提取数据中的时间特征,一维卷积神经网络用于提取数据中的空间特征,将特征进行拼接,用于输出最终的预测结果。并且在训练过程中使用正则化和Early Stopping机制防止模型过拟合,最后模型的性能优于机器学习的融合模型。4.考虑机器学习和深度学习模型提取特征的特点,在不同的站点上使用自适应权重的方法将机器学习模型的预测结果和深度学习的预测结果进行决策级的加权融合,针对部分不合理的预测,使用改进的K-近邻算法对加权的结果进行进一步的修正。并且在研究过程中采用了多种措施避免出现过拟合。最后将三种融合模型的预测结果进行对比,结果表明基于改进KNN算法修正的加权融合模型预测精度最高,表明该模型在太阳辐照度预测上具有较强的适应能力。5.本研究提出了三种融合的太阳辐照度预测模型,模型性能均优于单一的模型,说明了模型融合的必要性和有效性。并且更精确的地面太阳辐照度预测,对于提高电网运行的稳定性、增强电网对光伏发电的消纳能力、降低光伏发电受限制而造成的经济损失以及优化光伏发电机构的运营管理水平具有重要意义。

关键词：太阳辐照度预测融合模型 stacking 深度学习改进KNN

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多源数据融合的短期太阳辐照度预测研究

基于多源数据融合的短期太阳辐照度预测研究

作者：杨春熙南京信息工程大学

学位级别：硕士

随着经济和科学技术的迅猛发展,人类对于能源的需求日益增大。太阳能作为一种无污染、可再生的清洁能源,其开发和利用愈发受到公众的关注。光照短期波动和周期性变化引起的光伏电站线路电压超限现象随着光伏电站的增加也逐步增多,使得... 详细信息

随着经济和科学技术的迅猛发展,人类对于能源的需求日益增大。太阳能作为一种无污染、可再生的清洁能源,其开发和利用愈发受到公众的关注。光照短期波动和周期性变化引起的光伏电站线路电压超限现象随着光伏电站的增加也逐步增多,使得电网局部输电断面过载或越限。因此,准确预测光伏发电在未来一段时间内的输出功率对维护电网安全、稳定、经济运行有着重要意义,而太阳辐照度作为光伏发电量最主要的影响因素,能否准确预测对电网稳定运行至关重要。本文以天津市为研究区,结合地面气象站数据和风云四号卫星数据建立了一个基于注意力机制的seq2seq模型对天津市短期太阳辐照度进行预测。主要研究成果如下:（1）将太阳辐照度转换为晴空指数。晴空指数与太阳辐照度相比,蕴含更多的大气状况信息,有助于提高太阳辐照度预测准确性。（2）建立了一个卷积神经网络,对天津市西青区站点周围50*50大小的卫星图像进行特征提取作为模型训练特征,从而提高了太阳辐照度预测的准确性。（3）对天津市西青区太阳辐照度进行分析,发现该地区太阳辐照度具有明显的季节性特征,5、6、7月份太阳辐照度最高,全年有超过7个月适宜用于光伏发电。（4）建立了基于注意力机制的seq2seq模型,利用晴空指数对天气状况进行分类,并以2019年4月天津市西青区国家级地面观测站为检验数据将该模型预测结果与传统seq2seq模型及BP神经网络模型预测结果进行对比。实验表明与另外两种算法相比,基于注意力机制的seq2seq模型预测结果精度更高,在太阳辐照度预测方面具有更好的适用性。

关键词：太阳辐照度预测晴空指数卫星数据 seq2seq模型注意力机制

基于机器学习算法的中短期太阳辐照度预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习算法的中短期太阳辐照度预测研究

作者：高碧轩云南师范大学

学位级别：硕士

在当今越来越多的大规模光伏发电并入到电网的环境下,光伏发电功率的间歇性和波动性会对电网高质量的运行造成非常不利的影响,而在光伏发电过程中,太阳辐射是决定其变化的最重要因素。因此,精确的太阳辐照度预测对于光伏发电至关重要,... 详细信息

在当今越来越多的大规模光伏发电并入到电网的环境下,光伏发电功率的间歇性和波动性会对电网高质量的运行造成非常不利的影响,而在光伏发电过程中,太阳辐射是决定其变化的最重要因素。因此,精确的太阳辐照度预测对于光伏发电至关重要,它将有利于电力系统对电力进行实时调度和规划,保证电网安全稳定运行。论文基于多种机器学习算法和多个地区的真实数据建立了三种太阳辐照度预测模型,具体完成工作如下:(1)研究了三种传统机器学习算法在提前1小时的辐照度预测中的性能,它们分别是支持向量机(SVM)、多层感知机(MLP)和传统循环神经网络(RNN)。实验中预测模型分别采用两组不同的输入特征:(A)辐照度历史数据;(B)辐照度历史数据和气象数据。实验结果表明B组性能略微优于A组,但A组和B组整体的预测性能较差,A组所有预测结果的均方根误差(RMSE)在89.714.34W/m之间,B组所有预测结果的RMSE在86.417.23 W/m之间。(2)提出了基于天气预报数据和门循环单元(GRU)的日前24小时辐照度预测模型。该模型选择多个天气预报参数作为模型的输入特征,并使用GRU网络对未来一天内24小时辐照度进行预测。实验结果表明,GRU分别将RNN、MLP和CSIP预测模型的RMSE降低了16.58,37.14和48.50 W/m。此外,与长短期记忆网络(LSTM)模型相比,GRU的训练时间缩短了将近40%。(3)提出了一种基于自适应噪声完整集成经验模态分解(CEEMDAN)和深度学习网络(CNN-LSTM)的混合预测模型,该模型用于提前1小时的辐照度预测。CEEMDAN-CNN-LSTM预测模型首先通过CEEMDAN将辐照度历史数据分解为多个频率信号,然后将分解的不同频率信号作为CNN-LSTM模型的输入。CEEMDAN-CNN-LSTM预测模型在美国和阿尔及利亚等地区RMSE的平均值为40.28 W/m,并且CEEMDAN-CNN-LSTM将其它七种基准模型的RMSE减低了11.60%0.92%。

关键词：太阳辐照度预测深度学习门循环单元长短期记忆网络卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LSTM网络的太阳辐照度预测

计算机与数字工程 2023年第3期51卷 753-758页

作者：刘译文倪旻云南民族大学电气信息工程学院昆明650500

由于太阳辐照强度和其他气象因素的不确定性,导致光伏输出功率具有明显的随机性和波动性对电网安全稳定运行有重大隐患。光伏输出功率主要受太阳辐照度的影响,准确的太阳辐照度预测是光伏功率预测的关键步骤。针对高波动的太阳辐照度预... 详细信息

由于太阳辐照强度和其他气象因素的不确定性,导致光伏输出功率具有明显的随机性和波动性对电网安全稳定运行有重大隐患。光伏输出功率主要受太阳辐照度的影响,准确的太阳辐照度预测是光伏功率预测的关键步骤。针对高波动的太阳辐照度预测问题,文中提出一种长短期记忆网络(Long Short-Term Memory,LSTM)的方法预测太阳辐照度,LSTM网络由于其循环的结构和存储单元,可以对太阳辐照度的时间变化进行建模,与以往使用人工特征提取的方法不同,LSTM网络可以针对序列数据提取其隐含信息进行太阳辐照度预测。文中比较研究了不同网络结构对预测结果的影响,还通过与其他预测方法相比,进一步验证了该模型对太阳辐照度预测的有效性。

关键词：太阳辐照度预测卷积神经网络递归神经网络长短期记忆网络

基于Transformer-LSTM及误差校正的太阳辐照度预测

在线全文

学校读者我要写书评

暂无评论

计算机时代 2023年第7期 123-126,132页

作者：唐志伟高慧敏浙江理工大学信息科学与工程学院浙江杭州310018 嘉兴学院信息科学与工程学院

为提高太阳辐照度的长序列数据预测精度,提出一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型。将长距离依赖学习中更有优势的Transformer模型与能够提取数据位置信息的LSTM网络结合,并且引入误差校正机制来提高模型预测精度... 详细信息

为提高太阳辐照度的长序列数据预测精度,提出一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型。将长距离依赖学习中更有优势的Transformer模型与能够提取数据位置信息的LSTM网络结合,并且引入误差校正机制来提高模型预测精度。对三种不同模型在不同时间步长时的预测性能进行仿真实验,结果表明,Transformer-LSTM模型在太阳辐照度预测中具有更高的预测精度,并且在长序列数据预测中具有一定优势;引入误差校正机制后的仿真实验也表明了该机制的有效性。

关键词：太阳辐照度预测 Transformer LSTM 误差校正