摘要
随着对可持续能源需求的不断增长，太阳能光伏发电成为重要的替代能源之一。然而，光伏发电受到气象条件的影响，使其功率输出不稳定，导致电网调度困难。因此，准确、高效地预测光伏功率对于提高电力系统运行稳定性日益重要。本文提出一种结合多种数据处理技术、机器学习和深度学习方法的光伏功率预测算法。主要研究工作如下: (1)数据预处理，利用数据清洗和标准化方法去除异常数据、降低噪声以及提高数据质量。为了捕捉气象变量之间的非线性关系，使用K-means算法对数据集进行聚类，确定多个典型天气类型。在此基础上，借助图相似日方法，提取相似天气类型的历史数据，以增强模型的泛化能力。 (2)特征提取，针对光伏功率输出数据的非线性和多尺度特点，采用核主成分降维和改进变分模态分解对数据进行特征提取。通过核主成分降维，可以在保留原有数据的主要信息的同时减少数据的维度。通过将波动的功率序列分解成多个具有不同频率特点的子信号，从而使模型能够更好地抓住数据的变化规律。 (3)模型构建，根据功率序列的特点，本文将低频和高频信号分别用不同模型进行预测。首先，利用改进深度混合核极限学习机模型进行低频信号的预测,由于深度混合核极限学习机模型具有较强的非线性拟合能力，对低频信号的预测效果较好。接着，采用改进门控循环单元模型进行高频信号的预测，其中引入的注意力机制有助于发现长期依赖关系，从而针对高频信号实现更高的预测精度。 (4)实验验证，将所提出的方法与其他常用光伏功率预测方法进行比较。将这些方法应用于不同天气类型的数据上后，可发现本文提出的组合模型在绝大多数天气类型下都表现出更高的预测精度，能够准确捕捉功率的波动变化，表现出更强的泛化性，组合模型相比于单一预测模型MAE(MeanAbsoluteError)平均降低42.8％、RMSE(RootMeanSquareError)平均降低68.6％。实验证明，所提出的光伏功率预测方法相较于其他方法具有更好的预测性能和鲁棒性。 综上所述，本文提出了一种基于相似日和数据处理的光伏功率组合预测方法,通过结合先进的数据处理技术、时序建模以及深度学习方法，有效提高了光伏功率预测精度。在不同天气类型和场景下，该方法均能实现高精度、鲁棒性好、适应性强的预测效果。
NETL