摘要
随着社会的发展与进步，人们对能源的需求与日俱增，这也迫使依赖传统化石燃料的能源结构转型升级，向新能源方向发展。太阳能是一种取之不尽用之不竭的清洁能源，但随着光伏装机容量逐年提高，给光伏电站的并网带来很大的挑战。而对全局太阳辐照度(GlobalHorizontalIrradiance,GHI)进行准确预测可以有效监测并网过程，应对天气突变带来的电网波动，提高并网效率，提升企业竞争力。 近年来，统计学习、神经网络等建模方法已经成功应用于太阳辐照度的预测中。深度学习作为一种快速发展的智能计算方法，因其较强的非线性建模能力，在本文中引入到太阳辐照度的预测建模实例中。其中深度回声状态网络(DeepEchoStateNetwork,DESN)作为一种具有储备池计算特性的方法，因其训练快速、计算高效的特点得到广泛应用。循环神经网络(RecurrentNeuralNetworks,RNN)在处理时间序列数据上有着很大优势，同时研究其改进方法长短期记忆网络(LongShort-TermMemory,LSTM)和门控循环单元(GatedRecurrentUnit,GRU)，基于门控的循环神经网络不仅可以有效提升网络性能，还能解决梯度计算中出现的问题。本文研究内容包括以下方面： (1)简单介绍光伏发电过程以及太阳辐照度对其产生的影响，概括了预测太阳辐照度的背景和意义。分析了太阳辐照度的预测过程，并且介绍了衡量模型性能的评价指标。 (2)研究回声状态网络和深度回声状态网络及其建模方法，并对网络的输出训练算法进行改进，使用回归算法对输出权值进行训练。其中核岭回归(KernelRidgeRegression,KRR)和支持向量回归(SupportVectorRegression,SVR)因为采用核函数，使得模型的非线性建模能力有了很大提升，并将这些模型应用于太阳辐照度的预测建模中。为了衡量模型的有效性，在同等条件下与Persistence、BP和SVM方法进行对比。实验结果表明，深度回声状态网络的预测效果优于基准方法和简单回声状态网络，其中采用核函数的DESN-KRR和DESN-v-SVR方法有更好的建模效果。 (3)研究循环神经网络RNN在太阳辐照度预测中的建模方法。对于RNN在训练过程容易出现梯度消失和梯度爆炸的问题，进一步研究其改进算法，即基于门控的循环神经网络，包括LSTM和GRU及其双向结构，不仅解决了梯度计算的问题，还解决了长时依赖问题。介绍了随时间反向传播(back-propagationthroughtime,BPTT)算法和梯度下降Adam优化算法。并基于以上方法建立晴空指数预测模型。为了验证模型的有效性，将其应用于提前1小时的太阳辐照度预测建模中，并与深度回声状态网络进行对比。实验结果表明在同等条件下，循环神经网络的建模效果优于深度回声状态网络。在循环神经网络中，基于门控的LSTM和GRU的预测效果要好于RNN的预测效果，对应的双向网络结构BiLSTM和BiGRU进一步提高了网络的预测精度。并且BiGRU相比BiLSTM在误差相对更加平稳。不仅如此，BiGRU比BiLSTM有着更快的训练速度。还将循环神经网络模型应用于太阳辐照度的多步预测建模中，实验结果表明多步辐照度预测模型在预测提前1小时辐照度中比单步预测提前1小时有着更高的预测精度。
NETL