光伏出力短期预测技术研究

《光伏出力短期预测技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:密级：学号：416114313010UDC：南昌大学专业学位研究生学位论文光伏出力短期预测技术研究ResearchontheShort-TermPredictionofPhotovoltaicPowerOutput王春雷培养单位（院、系信息工程学院电气与自动化系指导教师姓名、职称：王淳教授指导教师姓名、职称：程虹高级工程师专业学位种类：工程硕士专业领域名称：电气工程论文答辩日期：2015年5月27日年月曰、学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文

2、中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南昌大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意=学位论文作者签名（手写）:王秦t签字日期：p/f年r月>〇日二、学位论文版权使用授权书本学位论文作者完全了解南昌大学有关保留、使用学位论文的规定，同意学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权南昌大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采

3、用影印、缩印或扫描等复制手段保存、汇编本学位论文。同时授权北京万方数据股份有限公司和中国学术期刊（光盘版）电子杂志社将本学位论文收录到《中国学位论文全文数据库》和《中国优秀博硕士学位论文全文数据库》中全文发表，并通过网络向社会公众提供信息服务，同意按“章程”规定享受相关权益。学位论文作者签名（手写）:玉毒雲导师签名（手写）:签字日期：切八年s月>曰____________签字日期：wr年y月>曰论文题目光伏出力短期预测技术研究姓名王春雷学号416114313010论文级别博士□硕士空院/系/所信息工程学院专业电气工程E_

4、mail备注：^公开□保密（向校学位办申请获批准为“保密”，______年_月后公开)摘要摘要由于能源短缺以及环境污染等问题，光伏发电技术取得了迅速的发展。光伏出力具有随机性以及不确定性，随着光伏发电接入系统规模的不断增大，其对电网的影响将日益凸显出来。因此，对光伏系统出力作出科学、准确的预测对于提高电力系统的安全性以及稳定性具有重要意义。针对上述问题，本文对光伏出力短期预测技术进行了研究。在分析了光伏系统出力特性以及影响光伏出力的主要因素基础上，利用BP神经网络按照季节类型分别建立预测模型。实例分析结果表明：分类预测模

5、型的预测精度明显高于传统的统一预测模型。BP神经网络是以经验风险最小化为学习目标，存在过于依赖训练样本数量以及样本分布的缺点，为此，本文基于相似日理论建立了一种基于支持向量机（SVM）的光伏出力预测模型。实例分析结果表明：本文建立的基于SVM预测模型在小样本情况下具有较好的预测精度。最后设计并实现了一个光伏出力预测系统。该系统能够实现光伏出力预测的基本功能，具有一定的实用价值。关键词：光伏出力预测；BP神经网络；支持向量机IAbstractAbstractSincetheenergyshortagesandenviron

6、mentalproblems,photovoltaicpowerhasbeendevelopedrapidly.BecausethepoweroutputofPVsystemisrandom,thegrowingofPVsystemintegratedtopowergridhasgreatlyinfluenceonthesecurityandstabilityofpowergrid.Therefore,scientificallyandaccuratelypredictthepoweroutputofPVsystemis

7、ofgreatsignificanceforpromotingthesecurityandstabilityofthepowersystem.Thispaperstudyontheshort-termpredictionofphotovoltaicpoweroutputaccordingtotheproblems.BasedonanalysisofthePVsystemoutputcharacteristicsandthemainfactorsaffectingthePVoutput,BPneuralnetworkfor

8、ecastingmodelwereestablishedaccordingtothetypeofseason.Theexperimentresultsshowthat:thepredictionaccuracyofclassificationforecastingmodelissignificantlyhighert