基于深度学习的分布式光伏发电系统的优化与性能分析.pdfVIP

电气技术与经济/技术与交流

基于深度学习的分布式光伏发电系统的

优化与性能分析

丁坚

（国能江苏新能源科技开发有限公司）

摘要：本研究旨在解决分布式光伏发电系统中的发电量预测问题，特别是提高预测精度和发电曲线

的平滑性，以优化系统的调度效率。本研究提出了一个结合时序卷积网络和可微分滤波模块的两阶段

深度学习框架，用于捕捉光伏发电数据的时间序列特征并实现端到端优化。所提模型在关键性能指标

上相对传统方法有显著改进，展示了深度学习在提升分布式光伏系统性能方面的潜力。

关键词：光伏发电；预测精度；深度学习

0引言的性能受到多种因素的影响，如天气条件、日照时

随着全球能源结构的转型，分布式光伏发电系统间、温度和阴影等[2]。因此，精确预测系统的电力输

依靠清洁、可再生的特点，在全球范围内得到了广泛出对于电网调度和能源管理至关重要[3]

应用。这些系统部署在不同的地理位置，发电性能受1.2深度学习技术基础

到所在区域气候和天气条件的强烈影响，导致发电量深度学习是机器学习的一个分支，它利用神经网

呈现出显著的非稳态特性，这对电力系统的稳定运行络模仿人脑处理数据和创建模式的方式来解释数据。

和经济效益构成了挑战。光伏发电的波动性会影响电深度学习网络通过多层结构学习复杂的数据表示，每

网负载容量的有效利用，增大了电力供应的调控难一层提取数据的不同层级特征。通常需要大量数据进

度，并增加系统的运营及维护成本。为应对该挑战，行训练，以学习能够代表输入数据和预测输出之间关

本研究提出了一个两阶段的深度学习模型，旨在优化系的权重和偏差。在分布式光伏发电系统中，可以用

分布式光伏发电的输出特性，以提高电力系统的整体于预测短期和长期的发电量，以减少可再生能源的不

性能。两阶段的协同工作提升了预测准确度，实现了确定性并提高电网运行的效率和可靠性[4]。此外，深

对光伏发电输出的有效管理和优化，从而提升分布式度学习算法还可以通过实时数据分析来优化设备的运

发电系统的调度性能，确保了电力供应的连续性和稳行和维护策略，从而降低成本和延长设备的使用寿

定性。这也为降低系统运营成本，推动可再生能源向命[5]

更加高效、智能化的方向发展做出了积极贡献。

2基于深度学习的分布式光伏发电系统优

1技术基础化模型

1.1分布式光伏发电系统2.1总体架构

分布式光伏发电系统是一种利用太阳能光伏面板如图所示，基于深度学习的分布式光伏发电系统

在消费者现场或者靠近消费点产生电力的系统。与模型由两个阶段构成。第一阶段为原始预测模型，采

集中式大规模太阳能发电站不同，分布式系统的规模用时序卷积网络对短期内的光伏发电量进行精准的预

较小，通常安装在住宅屋顶、商业建筑或工业设施测，有效捕捉时间序列中的关键特征，从而准确预测

上。这种布局有助于减少传输损失，提高电能质量，发电量趋势；第二阶段为滤波平滑层，利用可微分滤

并增加电网的韧性。系统的关键组件包括光伏面板、波层对时序数据进行平滑处理，以生成更加稳定的长

逆变器、监测和控制单元、以及电池储能设备。系统期发电曲线。

308/2024.07

电气技术与经济/技术与交流

式中，[是模型在时间点t的原始预测值；[订]

原始预测优化预测

一1是平滑处理后在时间点t的输出值；8为一个平滑系

1D膨胀卷积层

数，介于0～1之间，用来控制前一状态[对当前

原始