《基于BP神经网络的某光伏发电厂短期光伏出力情况实证研究》14000字.docx

基于BP神经网络的某光伏发电厂短期光伏出力情况实证研究

目录

TOC\o1-2\h\u23025基于BP神经网络的某光伏发电厂短期光伏出力情况实证研究 1

75931绪论 3

90831.1研究背景及意义 3

25001.2国内外研究现状 4

285712.分布式电源对负荷预测的影响 7

133592.1影响分布式电源出力的因素 7

9202.2分布式电源接入下的负荷特性变化 9

326703算法概述及数据预处理 11

183583.1BP神经网络及遗传算法概述 11

25923.2Elman神经网络概述 13

177243.2遗传算法概述 14

218973.3RNN及LSTM神经网络概述 16

178413.4LSTM神经网络概述 17

82553.5母线短期负荷预测的影响因素分析及数据预处理 19

94593.6预测模型评价指标 21

228974算例分析 23

135894.1数据介绍 23

133114.1母线短期负荷预测 23

189874.2光伏短期出力预测 26

137224.2LSTM网络参数设置 27

30056LSTM光伏预测流程图 28

19425参考文献 29

电能是现代社会生活生产中必不可缺的重要能源，传统火力发电将化石燃料的化学能转化为机械能后又转化为动能，发电环节效率不高，且大量的燃烧化石燃料导致了能源危机和温室效应等问题的出现。分布式电源装配灵活，使用可再生能源发电，降低了发电环节对环境的污染，以风光发电为代表的分布式电源现已在我国得到了广泛的安装使用。但分布式电源生产电能量受环境的影响，其出力充满了不确定性，可调度性差，传统的负荷预测方法没有考虑到分布式电源对于短期负荷预测的影响，不能满足短期负荷预测的精度要求。短期负荷预测在电力系统调度中起关键的作用，它为基本发电计划、计算机在线电网控制、系统安全分析提供基础数据，从而使得电力系统调度工作更符合实际，发电效率更高。因此，在短期负荷预测中要考虑分布式电源出力的影响是有必要的。

本文在国内外现有研究的基础上对考虑分布式电源影响的短期负荷预测方法进行深入研究，主要研究内容及成果如下：

针对以分布式电源出力的不确定性及对母线负荷特性的影响，研究影响不同分布式电源出力的特征因素，使用某地区的风光出力数据和母线负荷数据，研究分布式电源对日负荷特性和周负荷特性的具体影响。

提出了一种基于遗传算法改进的BP神经网络，考虑到天气因素、星期类型和法定节假日的影响，该模型优化了反向传播算法的权值和阈值，提高了神经网络的收敛速度和预测精度。针对光伏发电短期出力预测，考虑到辐照度，光伏组件温度和环境温度的影响，建立了长短时记忆神经网络预测模型，主要是因为其对于长时间序列的处理有着独特的优势。

基于遗传算法优化的BP神经网络，以某市区全口径负荷为数据来源，应用该模型和其他传统神经网络模型进行进行数据仿真对比，结果显示了GA-BP的预测度更高；基于长短时记忆预测模型，以某光伏发电厂为数据来源，仿真预测短期光伏出力情况，仿真结果满足预测精度要求，验证了本文方法的优越性。

关键词：分布式电源；短期负荷预测；遗传算法；BP神经网络；长短时记忆网络

1绪论

1.1研究背景及意义

电力市场改革背景下，母线侧负荷多样且用户用电行为复杂多变，短期电力负荷预测能够为电力系统生产规划以及安全稳定运行提供保障。近年来，由于我国城镇化速度的的提升，对电能的需求相应的不断扩大，但是在能源经济中扮演重要角色的化石能源数量日益减少，且化石燃料在燃烧过程中会产生有毒的氮氧化物、硫氧化物和二氧化碳、放射性尘埃等，这些物质会直接危害人畜，导致机体癌变，产生酸雨，加剧温室效应。分布式电源一般指装机容量为数千瓦至50兆瓦的电源，并网点为10KV及以下电网，常见的分布式电源有光伏、电动汽车、直接向所在地区供电的小型风力发电厂等。分布式电源具有低污染性、安装灵活方便等优点,能够有效缓解能源枯竭、环境污染问题，而且分布式电源接入电网提高了电网运行的可靠性和安全性ADDINNE.Ref.{ACE77919-E68B-4754-B861-57365D410DCB}[1-3]。2020年，我国并网风电装机容量达281GW，同比增长34.6%，占全部装机容量的12.79%；并网光伏发电装机容量达253GW，同比增长24.1%，占全部装机容量的11.52%。

随着电力系统中分布式发电所占比例增加，在分布式电源接入电网之后，由于分布式电源出力的随机性和波动性[]，影响了母线负荷的不确定性：气候因素如天气类型、温度、湿度、风速等会影响分布式电源