摘要
为了支持光伏发电参与者科学使用，准确预测光伏发电功率一直是一个热门但具有挑战性的话题。然而，由于多变的气象条件以及预测方法和能力受限，造成光伏发电预测能力和精度欠佳，导致能源无端损耗，浪费资源，带来不可估量的财产损失和人力消耗。同时，保证光伏发电预测准确度，提高预测能力对于保障电力系统的准确运行和可靠性发展是至关重要的。因此，本文基于深度学习模型对光伏发电功率进行研究分析，提出了全局平均池化的卷积神经网络和混合激活函数的长短期记忆网络，为光伏发电功率预测模型提供新思路，本文的主要研究内容如下： 在本文中，全面收集和分析了所有与光伏发电相关的特征，通过数据预处理，异常值检测及相关性分析等手段，判断与光伏发电功率的关联性较高的因素，即温度，光照度，相对湿度，风速，总辐照度和散射辐照度，这些因子可以作为光伏发电功率预测的输入数据。 本文基于卷积神经网络框架，提出了一种使用全局平均池化技术取代全连接层的思想，该思想将任务分成多个类别，在卷积层生成一个特征图，然后将特征图中所有像素值进行求和平均，得到的结果直接输入到Softmax层，以尽可能减少了网络的参数量，通过不同长度的输入序列对光伏发电预测能力进行了的验证。 本文提出了一种使用混合激活函数的长短期记忆网络算法，该灵感来自于生物神经网络系统，通过在长短期记忆网络中的同一隐藏层中的神经元使用不同的激活函数，进而改进预测过程。仿真结果表明，利用tanh函数和Sigmoid函数作为超参数可以提高神经网络的性能，接着，通过将10%的Sigmoid激活函数输入到隐藏层中，神经网络的性能可以得到进一步改善。 最后将本文所提出的基于全局平均池化的卷积神经网络和混合激活函数的长短期记忆网络，与单一的标准网络模型对比，预测精度显著提高，进一步验证了混合预测模型的有效性。
NETL