【《国内外太阳能系统PV发电功率预测的研究现状文献综述》2700字】

国内外太阳能系统PV发电功率预测的研究现状文献综述美国、欧洲、日本等发达国家对光伏发电应用中的太阳辐射预测方法的研究较早。我国在光伏发电预测方面比较落后，尽管几个知名大学已相继开展研究。太阳辐照强度预测是以数据为支撑，结合天气预报、大气物理学、空气动力学等学科，对光伏电站的地理坐标及气候参数进行分析并建模，可对未来预测产生重大作用。1.1PV发电功率预测分类PV发电系统功率预测具有多种分类标准，如图1-3所示图1-SEQ图\*ARABIC2光伏功率预测方法（1）直接预测和间接预测直接预测方法是在分析PV历史数据和环境数据，分析并创建物理模型之后，再基于NWP的天气预报数据直接预测PV系统。间接预测先预测辐照度，然后对PV建模，最后获得PV系统发电的预测值。（2）物理预测法和统计预测法物理方法需要光伏电站详细的地理、气象信息。通过这些信息不断修正预测模型来提高预测精度。统计方法的主要思想为基于预测模型的输入、输出因素之间的统计规律，通过已有的统计参数和统计模型来完成对PV系统功率表的预测。物理方法的主要优点是该方法不需要大量的历史记录，因此适用于位于新建的太阳能发电厂。该方法还必须有详细的本地位置信息，自然环境信息以及太阳能电池模块和控制模块的主要参数支持。由于整个过程复杂，并且在某些恶劣的天气需要添加其他方法辅助。预测实体模型要根据一定周期校对，来适应整个太阳能发电系统软件主要参数的缓慢变化。统计预测法需提供大量历史数据，不适用于新建的光伏发电站。分析统计数据的方法容错率较高，所以该方法并不要求特别精准的光伏电站的地理位置和历史资料。（3）超短期预测、短期预测和中长期预测超短期预测物理方法主要是云图图像分析，结合系统的运行环境参数和天气预报，开展光伏功率预测。统计方法主要采用人工智能算法、持续预测法等算法。该方法主要应用于PV系统运行控制以及与与调度的信息联络等。另一方面，在气象数据水平上的短期输出功率预测精度规定将稍有放宽。可以使用经过精细处理的NWP数据信息，或者可以使用卫星云图气象数据，此时，预测精度和稳定性将在一定程度上得到提高。短期输出功率预测的主要应用领域包括制定短期生产计划，负荷跟踪。中长期预测主要出现在新建电站的规划中，考虑该地区太阳能电站建设的长期问题。（4）单场预测和区域预测单场预测是对某个发电站的预测，区域预测则是一定区域内所有光伏电站发电总量的预测单场预测为调度中心提供了某个电站的功率预测信息，帮助系统运行；区域预测提供了区域内电站的总功率，协助调度中心预估功率波动，降低多电站并网对电网的冲击。1.2深度学习时间序列预测研究现状1956年，许多电子计算机生物学家聚集在达特茅斯会议上，并明确提出了“人工智能”的定义。使用当时刚出现的电子计算机，它具有复杂的结构和与人相似的特征。在那之后，人工智能一直在人们的的脑海中徘徊，并逐渐在科学研究实验室中生根发芽。在接下来的几十年中，人工智能的声音出现两个方向，或者被称为人类发展史的光辉灿烂的未来，或者被视为技术性神经症的幻想而被扔进了垃圾桶。直到2012年，这两种声音仍然存在。2012年之后，由于信息量的增加，计算能力的提高以及用于深度学习（深度神经网络）的新优化算法的出现，人工智能爆炸式发展。（1）卷积神经网络（CNN:ConvolutionNeuralNetworks）卷积神经网络是一种人工神经网络，已经成为当今视频，语音分析和图像识别行业的科研热点。它的有点像微生物神经网络，降低了模型的复杂性。这种优势主要体现在互联网输入多维图像时，该图像可以立即用作互联网输入，从而避免了传统识别优化算法中复杂的特征提取和数据信息重构过程。参考文献[13]讨论了卷积神经网络（CNN）的计算和完成。参考文献[21]详细分析了CNN的内部结构，并试图从理论上表达CNN强大的特征提取，分类和识别能力。图1-4卷积神经网络在本质上与通用神经网络非常相似：它们由神经细胞组成，这些神经细胞具有可学习权值和偏差。每个神经细胞接收一些输入，执行点积，并可以选择性地遵循离散性。整个网络仍然表示一个分数函数：从初始图像到类分数。在最后一层（完全连接的层）上，它们仍然具有损失函数（例如SVM/Softmax）。如上图所示，一个简单的卷积神经网络是一个层序列，而每一层卷积神经网络都通过可微函数将一个激活体转换为另一个激活体。我们使用三种主要类型的层来构建卷积网络架构：卷积层、池化层和全连接层(与常规神经网络完全相同)。我们将把这些层堆叠起来，形成一个完整的ConvNet架构。图1-SEQ图\*ARABIC3CNN神经网络的结构图卷积神经网络是一种深度神经网络，由于其在各行各业中的良好实践成果，近年来在科学研究和应用中越来越普遍。很多相似的CNN模型的组织和结构是相同的，基本上包括卷积运算，池化运算以及完全连接运算和判别运算。（2）循环神经网络（RNN:Recurrentneuralnetwork）在一般的CNN中，每层神经元的数据信号仅传播到上层，并且样本的解决在每个时刻都是分开的，因此它又叫前馈神经网络。在RNN中，神经元的输出可以立即以下一个时间格式对其自身起作用。从网络体系来看，RNN将存储先前的信息，并使用先前的信息反馈后节点的输出。换句话说，循环神经网络的隐藏层间的节点是连接状态。隐藏层的输入同时包括输入层的输出和前一个隐藏层的输出。自然，如果需要下一时刻序列信息，则后面的输出也必须用作输入。（3）长短时记忆网络（LSTM:Longshort-termmemory）从网络体系结构来看，循环系统神经元网络将记住先前的信息，并使用先前的信息影响后续。隐藏层的输入同时包含输入层的输出和前一个隐藏层的输出。自然地，如果序列信息必须稍后进行编码，那么下一刻的输出必须用作输入因此，引入了LSTM。通常称为“LSTM”是RNN的一种独特类型。Hochreiter＆Schmidhuber（1997）明确提出它的价值，并且被许多人改进和调整。LSTM通常用于处理各种问题，并且已经取得了非常好的实际结果。LSTM主要是为了更好地防止上述长期依赖。它们的本质是，他们可以在更长的时间内记住信息的内容，并且可以非常轻松地保证信息的内容。参考文献霍娟,吕达仁.晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用[J].气象学报,2006,64(001):31-38.朱想,居蓉蓉,程序,等.组合数值天气预报与地基云图的光伏超短期功率预测模型[J].电力系统自动化,2015(6):4-10.陈志宝,李秋水,程序,等.基于地基云图的光伏功率超短期预测模型[J].电力系统自动化,2013,37(19):20-25.曹潇,陈志宝,周海,等.基于地基云图分析的光伏功率预测系统设计[J].电力信息与通信技术,2013,11(003):1-6.侯伟,肖健,牛利勇.基于灰色理论的光伏发电系统出力预测方法[J].电气技术,2016,No.198(04):53-58.MathiesenP,KleisslJ.Evaluationofnumericalweatherpredictionforintra-daysolarforecastinginthecontinentalUnitedStates[J].SolarEnergy,2011,85(5):967-977.孙永辉,范磊,卫志农,等.基于小波分析和集成学习的光伏输出功