一、某场站温度预报初探（论文文献综述）
陈美珍,柳扬,徐胜彬,郭俊锋,张永强,林金阳[1]（2022）在《基于天气类型及改进的小波神经网络的光伏发电短期预测》文中指出本文提出了一种基于天气类型和季节类型,以布谷鸟算法优化小波神经网络的光伏发电短期预测方法。首先,分析气象因子的特征,并利用皮尔逊相关系数计算气象因子与光伏发电之间的相关性,作为预测神经网络的输入向量;其次,为了避免小波网络的结构不稳定以及由于局部极小值容易陷入预测结果误差太大的问题,提出了利用布谷鸟算法优化小波神经网络（CS-WNN）的预测结构;最后,基于天气类型和季节类型构建了布谷鸟算法优化小波神经网络（CS-WNN）预测模型进行仿真实验,并建立了遗传算法优化BP神经网络（GA-BP）、遗传算法优化小波神经网络（GA-WNN）、WNN神经网络、BP神经网络4个模型与本文结构进行对比。仿真实验结果表明,本文描述的预测方法预测精度较高,预测效果好。
王函[2]（2021）在《风光发电功率与用电负荷联合预测方法研究》文中研究表明以新能源为主体的新型电力系统中,高比例风光电源的随机波动性与需求侧响应加剧了源、荷两端的双重不确定性,为电力系统安全经济运行带来了巨大挑战。提高风光发电功率与负荷预测精度,以支撑源-荷协同调度是解决上述问题的重要方向。因此,作者按照“时空特性挖掘→预测样本清洗→天气预报修正→源荷联合预测”的思路,开展了风电功率-光伏发电功率-负荷预测研究。主要工作包括:1.建立了风过程时移、风电功率波动和风光发电功率互补的多时空尺度特性量化模型,为后续研究奠定规律基础。首先,定义了风过程移动的延迟时间与加速因子指标,建立了基于风过程提取的自然风时移性评价模型,解决了现有指标对空间相关性考虑不足的问题;其次,提出了基于波动频率分布及置信度的多时空尺度风电功率波动性评价指标,补充了对波动细节特征的刻画;最后,提出了考虑风光发电功率波动性的互补性评价指标,据此建立了实时互补性最优的风光联合发电系统规划与运行模型,以优化规划阶段的风光容量配比和运行阶段的风光发电功率。基于所提指标和模型,以不同时空尺度的资源数据和电站运行数据为例,揭示了多时空尺度下风光资源与发电功率的时移性、波动性和互补性。2.提出了面向预测训练样本需求的风光场站异常数据定向清洗方法,为风光发电功率预测提供场景全面、代表性强的训练样本集。首先,针对异常数据在风光电站功率曲线散点图中分布不均、密集堆积且与正常数据相连的问题,分别提出了双向单边四分位法、双DBSCAN聚类法和以类中心距离为判据的改进K-means聚类法共三种风光电站异常数据识别方法,实现了对风光电站异常运行数据的准确识别;然后,在上述研究基础上建立了基于LightGBM的异常功率还原模型。以中国30个风电场和8个光伏电站的实际运行数据为例,验证了所提方法的有效性和优越性。3.提出了数值天气预报（NWP）风速/辐照度时序传递修正方法,为风光发电功率预测提供高精度的最主要输入参数。首先,针对独立时刻NWP误差分布宽、规律性弱的问题,提出了 NWP风速/辐照度时序传递修正方法（STCM）,通过引入风速/辐照度时间序列内的传递关系,提高了修正模型输入变量与输出变量之间映射关系的确定性;然后,采用LR,SVM,BPNN,RF和RBFNN,分别建立了 5种基于STCM的NWP修正模型。以中国2个风电场和2个光伏电站实际运行数据为例,验证了所提方法对NWP精度的提升效果,结果表明:NWP风速和辐照度均方根误差分别可降低0.20 m/s至2.59 m/s、15.64 W/m2至128.93 W/m2。4.提出了基于变量注意力机制-多任务学习的风光荷联合预测方法,通过挖掘与学习风光荷间动态耦合关系,分别提升了风光发电功率与负荷的预测精度。首先,建立了基于变量注意力机制的风光荷联动特征提取模块;然后,构建了可对不同预测任务损失权重自动寻优的多任务学习模型,据此提出了基于全连接神经网络的风光发电功率联合预测方法,可同时完成风、光发电功率预测任务;最后,采用长短期记忆神经网络,建立了风光发电功率预测信息与负荷历史信息相融合的负荷预测模型。以中国南方某地8个风电场、6个光伏电站实际运行数据和靠近风光电站群的某城市负荷数据为例,测试结果表明:与相应传统方法相比,各风电场、各光伏电站与负荷功率预测均方根误差平均分别降低了 4.84%、1.86%和3.02%。论文中提出的多时空尺度风光资源与功率特性量化模型、风光电站异常运行数据定向清洗方法和数值天气预报时序传递修正方法为风光发电功率预测提供了更为准确的输入信息,包括高质量的训练样本集与高精度的气象预报数据;提出的风光荷联合预测方法可为源-荷协同优化调度提供准确可靠的风光发电功率与负荷预测结果。
林爱美[3]（2021）在《基于多任务学习的风光电站群功率预测方法研究》文中研究表明大规模、集群化是我国风光电站分布的主要特征之一,随着风光电站并网规模的增大,电力系统调度部门对风电和光伏功率预测的准确度和可靠性提出了更高的要求,且更关注区域内风光功率预测结果。现有的风光功率预测方法多集中在单场站预测,对一个区域内的风光电站群功率预测展开的研究较少。因此,围绕提高风光电站群功率预测精度问题,建立了基于改进全连接神经网络的风光电站群功率预测模型和基于深度多任务学习的风光集群功率联合预测模型,主要工作和结论如下:1、探索了风光电站群出力波动性和相关性首先从互相关性和自相关性两个方面分析场站-场群之间出力的相关性,然后以波动率为评价指标,分析场站-场群间出力波动概率分布和时间效应,最后以平滑系数为评价指标,分析风光出力波动的空间的空间效应。经过分析发现,随着风光电站规模的增大,风光电站出力的自相关性增大,波动性减弱。2、建立了基于改进全连接神经网络的风电场群和光伏场站群集中式功率预测模型提出将堆叠自编码器用于逐层初始化神经网络参数,并以此为基础模型建立以多场站数值天气预报为输入、多场站功率为输出的风电场群和光伏场站群功率预测模型。以分布在我国南方的8个风电场和7个光伏场站的运行数据为例,分析验证所提模型的有效性。计算结果表明,所提模型具有较强的学习能力,能够较好的提取输入数据特征,有效的提高风光电站群中各个场站的预测精度。3、建立了基于深度多任务学习的风光集群功率联合预测模型提出基于卷积神经网络和多任务学习的风光集群功率联合预测方法,以多个风电场和光伏场站的数值天气预报数据为输入,以风电场和光伏场站的联合预测总功率为输出。算例表明:所提模型在实现风光功率联合预测的基础上,能够提高风光电站群总功率的预测精度。
王冠杰[4]（2021）在《基于改进集成学习算法的光伏场站功率预测方法》文中提出在全球加快能源转型、国家推进能源革命的大背景下,光伏发电作为重要的清洁替代方式受到了广泛的关注,全球范围装机容量增速迅猛。然而,光伏发电的不确定性不可避免,随着光伏渗透率的不断提高,能源消纳问题日益凸显,并网安全问题逐渐加剧。因此,进一步开展光伏发电功率预测相关研究,提高现有预测系统的精度和可靠性,对保障电力系统的安全性和经济性具有重大意义。光伏功率预测分类方式众多,其中依据结果的表现方式差异,有单值预测和概率预测之分。单值预测可以得到未来光伏功率期望值,而概率预测可以提供分位数、预测区间、概率密度等更多有效信息。目前,国内外学者针对前者的研究已经相当成熟,而对后者的研究相对较少。随着研究的不断深入,概率预测展现出的优势越来越明显,不但可以提升光伏场站的风险评估能力,而且可以为电网调度决策者提供更丰富的参考依据。目前,光伏发电功率预测方法存在着以下问题。一方面,现有的光伏发电功率预测方法大多局限于采用单一的预测模型,导致泛化性能有限;或是只通过简单的算术平均对模型进行组合,缺乏足够的理论支撑。另一方面,针对光伏发电功率的概率预测研究大多基于参数估计方法,分布模型参数的选择对预测结果的影响很大。而且实际情况下的先验分布形式往往是未知且不规律的,导致模型的普适性较差。本文先后提出了基于改进集成学习算法的光伏场站功率单值和概率预测方法。首先提出了一种基于集成自适应增强随机森林的光伏场站功率单值预测方法。该方法将集成学习中的随机森林（Random Forest,RF）算法和自适应增强算法融为一体,利用数值天气预报（Numerical Weather Prediction,NWP）和光伏场站历史功率作为输入,挖掘隐含在样本集中光伏功率与NWP间复杂的非线性关系,来获得准确的预测结果。首先,为训练样本设置初始权值,再利用自助采样法,生成带有权重的子训练集来训练决策树。然后,对决策树结果取平均,输出随机森林的结果。进而,通过计算误差率,为每个随机森林分配相应的权重,得到加权随机森林的结果。最后,通过不断迭代优化,实现较高精度的光伏场站发电功率单值预测。算例分析部分选用宁夏四座光伏场站功率实际数据,并与其他单一预测方法进行对比,验证了所提出方法的准确性。其次,提出了一种基于多模型Stacking分位数回归的光伏功率概率预测方法。该方法采用了Stacking集成模式,并与分位数回归以及核密度估计（Kernel Density Estimation,KDE）方法结合,来获得可靠的概率预测结果。首先,在Stacking集成框架下,组合了RF、支持向量机和XGBoost等子模型,来弥补单一模型的预测误差。然后,在多模型Stacking的基础上融合分位数回归方法,来得到光伏功率的分位数结果以及概率预测区间。进一步,通过KDE方法,将得到的分位数结果转化成概率密度函数。最后,通过不断迭代优化,实现可靠的光伏发电功率概率预测。算例分析部分选用山东某地光伏场站实际数据,并与现有预测方法进行对比,验证了所提出方法的可靠性和敏锐性。
刘丁泽[5]（2021）在《基于改进随机森林的光伏集群功率超短期预测》文中指出由于传统化石能源的日益短缺以及大量使用化石能源对环境造成的破坏,国内外都在大力开发清洁能源,其中光伏发电的占比逐渐增大。大量光伏发电产生电能并入电网,如果不能对这些电能进行准确的预测,则会造成电网电压频率波动从而影响各方面生产生活活动。本文在光伏功率变化趋势的研究基础之上,对光伏集群功率的汇聚效应产生机理进行分析,并根据光照特性分析建立光伏异常数据识别模型以及基于改进云模型的缺失数据补齐模型,然后构建了光伏集群功率超短期预测模型,最后对光伏集群功率预测误差进行了拟合及分析。首先,利用多个出力特性实现了光伏集群功率序列汇聚效应产生机理的刻画。对集群功率特性进行了分析作为后续研究的基础。针对设备故障或人为限电等因素产生的异常数据以及缺失数据识别与补齐,本文首先分析了影响光伏功率的主要因素,将功率按照不同时段及辐照区间进行分类,选取最优Copula函数求解特定辐照度下光伏功率的条件概率分布从而对光伏功率异常数据进行了有效识别。针对历史光伏功率数据中存在采集数据缺失的问题,本文构建了改进云模型。将传统云模型的正态随机熵改为基于Copula理论的随机熵,改进云模型经验证更加符合光伏功率数据特性。参照光伏功率缺失片段的波动性大小建立概率功率插值补齐模型,对光伏功率缺失数据进行有效补齐。其次,将光伏集群总功率作为训练集输入到随机森林模型中,得到初步预测值,通过初步预测值各步误差及准确率分析了光伏集群功率初步预测值与实际值间的关系。将初步预测值按所属月份分为功率上升区域和功率下降区域,在不同区域类型下,分别利用峰值修正及趋势修正思想实现了对模型初步预测结果各步的修正,即基于改进随机森林的光伏集群功率超短期预测结果。并通过算例分析验证了本文方法的有效性与实用性。最后研究了光伏集群功率超短期点预测结果的误差分布,对各个季节下不同预测模型预测误差进行拟合,分析了同一季节状态下不同预测模型的误差分布特性及同一模型在不同季节的预测误差分布。应用多种拟合分布模型,对光伏集群的预测误差进行概率分布拟合。
吉锌格[6]（2021）在《基于波动特性挖掘的短期光伏功率预测研究》文中指出光伏发电作为太阳能利用的主要方式,是我国“十四五”能源规划的重要部分,具有良好的发展前景。由于光伏出力易受到多种气象因子的影响而呈现出较强的波动性,因此光伏并网运行会对主电网运行带来诸多不利影响。准确可靠的光伏功率预测技术是电力系统安全运行的重要保障。本文主要围绕光伏功率的波动性从数据挖掘和预测建模两个角度开展短期光伏功率的预测研究。首先,在光伏数据预处理方面,提出了一种基于互信息熵的相关性衡量指标,分别对光伏输出功率的影响因素进行定性和定量分析,并将其应用于预测模型输入变量的选取、异常历史日数据的清洗、相似日训练样本的筛选三个方面,为光伏波动特性的数据挖掘和预测建模提供了数据基础。然后,提出了一种基于波动特性挖掘的短期光伏功率预测方法。综合考虑光伏功率受气象因素影响所呈现出的规律性和波动性,对光伏功率的波动类型进行划分与聚类识别。在此基础上,挖掘天气波动特征与功率波动特征之间的匹配关系,建立基于波动特性挖掘和长短期记忆网络的组合预测模型,进而实现光伏功率预测。通过对中国西北地区某光伏电站的预测分析,验证了所提预测方法的有效性。最后,基于C#与MATLAB混合编程的系统架构,完成短期光伏功率预测系统的软件设计,实现光伏数据预处理、数据挖掘、预测建模、误差分析等功能的系统集成。
乔颖,孙荣富,丁然,黎上强,鲁宗相[7]（2021）在《基于数据增强的分布式光伏电站群短期功率预测(一)：方法框架与数据增强》文中提出目前我国的分布式光伏短期功率预测多缺乏功率与气象要素的历史实测和预报数据,难以直接复制集中式光伏的成熟技术路线,现有无辐照预测路线误差较大。本系列论文分为上下两篇阐述一种基于数据增强的分布式光伏电站群预测技术。此文为上篇,研究数据增强技术,包括基于时空相关性的缺失功率数据重构方法和基于三维神经网络的辐照预测加密模型,实现了功率数据、关键气象变量的高分辨率网格覆盖,为下篇网格化精细预测奠定了基础。仿真结果表明,相较于现有方法精度有显着提高,并适用于小样本训练。
史继辉[8]（2020）在《风光电站富集区域的发电控制策略研究与应用》文中指出“推进能源安全生产及全额消纳,构建清洁能源、高质高效的能源体系”,为我国绿色、清洁及可再生能源的发展提供了遵循。加快推动了我国能源结构从高排放发电向绿色能源发电的转型及发展,是全面参与全球能源治理的必然要求。本文对云南省风光新能源发展的状况进行整体介绍,并对目前风光新能源富集的滇西地区存在的发电控制难题和电网调度管理难点进行了分析。根据全额消纳新能源发电的政策要求、发电企业的效益需求及电网调度精益化管理的目标,论述了开展风光电站富集区域电力系统发电控制研究及应用的必要性。对风光新能源场站的发电出力特性与电网侧调度平台发电控制要求进行了深入分析与研究,提出了适用于风光电站富集区域电力系统的发电控制策略,并通过对云南地区风光占比较高的滇西片区多个风电场及光伏电站的发电控制策略测试与验证,优化和完善了控制策略,为后期开展相关工作提供指导意义,确保发电控制在新能源场站间的公平、公正分配,实现新能源消纳的最大化。风光电站富集区域电力系统的发电控制策略研究与应用,有益于实现安全、稳定、经济、可靠、绿色供电的目标。
于一潇[9]（2020）在《时空特征深度挖掘的风电集群发电功率短期概率预测方法研究》文中研究指明非可再生能源枯竭及生态环境恶化驱使大力发展可再生清洁能源利用成为全球共识。就风电而言,由于风能时变波动性、多变性及概率的不确定性,难以准确把握其发电规律,由此威胁电力系统的安全经济运行。如何有效把握风电功率时变规律,提升电网接纳风电的能力,依然面临困境。本文以多风场集群集成为背景,以时空特征挖掘为线索,以随机概率分析为手段,对集群风电功率预测展开研究,对把握风电变动成因及应对策略具有重要的理论意义和工程价值。风电功率预测方法根据结果表现形式的不同可以分为确定性预测和概率预测。前者研究已相对成熟,并得到广泛应用。后者,如今成为研究热点。由于数值天气预报精度的有限性以及预测模型的局限性,仅提供单一期望值的确定性预测方法不仅不符合风电实际的随机特性,同时又不可避免的存在预测误差,构成信息不对称。为了适应风力发电的特性,为决策者提供更丰富的信息,量化风电功率概率分布的不确定性和不均匀性十分重要。由此,工程界和学界展开对风电功率概率密度、分布函数、或置信区间等的深入研究,其目的是为决策者提供更符合实际的信息,这使风电的接纳更有针对性,从而使决策成本降低。然而,目前绝大多数风电功率预测的研究集中于单一风电场,对风电集群功率预测的研究相对较少,这样无疑使并网风电总体规律没有得到有效的反映,因而也就增大了电力系统运行决策的成本。因此,迫切需要对风电集群发电功率的概率预测技术展开研究。风电集群发电功率预测相比单一风电场站功率预测要复杂,为进一步提升预测结果的精度,就面临数据量大、场站间时空相关性复杂等问题。本文利用深度学习技术,提出了时空特征深度挖掘的风电集群发电功率短期概率预测方法研究。深度学习是一种基于数据驱动的人工智能算法,其优点在于能有效处理大数据,通过自主学习充分挖掘集群风电功率与各个变量之间的潜在关系,无需直接对系统进行建模。论文的主要工作与贡献体现如下:首先,在对研究背景和意义及其研究必要性进行阐述的基础上,对风电集群发电功率预测的数据预处理、数据特征进行了详细分析。基于深度学习理论,提出时空特征深度挖掘的风电集群发电功率短期概率预测的框架。其次,依据神经网络和分位数回归算法,提出了一种基于改进BP神经网络分位数回归的风电集群发电功率概率预测方法。该方法通过设计BP神经网络局部连接结构,增强了模型处理大数据和非线性关系挖掘的能力;通过有效处理相关激活函数及损失函数,增强了算法的适应性和模型的泛化能力,从而实现短期风电集群发电功率概率预测。最后,在上述研究基础上,通过数据结构化表达、卷积神经网络与长短时记忆神经网络深度学习技术的应用,深入挖掘集群功率预测输入数据的时空关联关系,提升网络构建的有效性,建立了时空特征深度挖掘的风电集群发电功率短期概率预测方法。全文基于江苏某风电基地实际数据进行算例分析与验证,表明本文思路、方法及算法的有效性和正确性。
李晓丽[10]（2020）在《下垫面信息优化对京津冀气象场及空气污染物浓度场模拟影响研究》文中进行了进一步梳理空气质量模式预报的准确性受等多种因素的影响,其中模式中的下垫面资料在空气质量模拟中扮演着重要角色,如地形高度和土地利用,它们通过不同地表物理参数影响地表能量平衡,从而影响气象因子和污染物的扩散。而下垫面数据精度的高低是影响大气污染物浓度和扩散模拟过程准确度的重要因素之一,提高下垫面数据在模拟场中的精度能更准确的预测空气质量状况。本研究为提高空气质量模拟的准确性,对WRF模式的地形插值模块部分进行了修正和完善,与传统的“原始文件更新法”替换方法相比,新修正方法使下垫面数据在没有经过系统插值的情况下直接输入气象场,避免了因系统插值带来的模拟误差。以2016年京津冀地区为例,选取SRTM地形高度资料和MODIS2016土地利用资料作为空气质量模式高精度下垫面数据,与模式默认方法和“原始文件更新法”进行对比,验证了下垫面优化方法对京津冀地区气象和空气质量模拟的影响,发现“直接修正法”对气象和空气质量预报的模拟有较好的改善效果。主要研究内容如下:（1）WRF模式在运行时自身需要对原始下垫面数据进行插值,导致下垫面数据因为系统插值而产生误差,并且误差会随着网格宽度的增加而增加,这是模式默认方法和“原始文件更新法”无法避免的,因此针对这一问题在地形插值模块上进行了修正,提出了下垫面“直接修正法”替换方法。（2）以京津冀地区为例,将新修正方法与传统方法在气象模拟结果上对2m气压、2m气温、10m风速、2m相对湿度和2m露点温度进行了对比验证,发现采用“直接修正法”模拟的各气象要素优于模式默认方法和“原始文件更新法”的结果。其中气压、气温、风速、相对湿度的模拟值与观测值的偏差有明显改善。在时间序列上模拟值和观测值的变化趋势基本一致,“直接修正法”的时间序列模拟结果与观测值更为贴近。（3）为进一步验证新修正方法的优势,评估了其对空气质量模拟的改善效果。在大气污染物模拟结果上对PM2.5、NO2、SO2、CO浓度进行了模拟验证,发现使用“直接修正法”对模拟大气污染物浓度有较大的改善效果,同其它两种方法相比,污染物浓度模拟偏差显着降低,并且重污染日改善程度大于清洁日。（4）从空间相对变化上看,采用“直接修正法”基础上模拟出来的PM2.5、NO2、SO2、CO浓度在河北省南部地区均表现出大幅度升高,与实际重污染区域基本一致。从时间序列模拟效果看,“直接修正法”模拟值明显降低,峰值出现的频率和次数减少。
二、某场站温度预报初探（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、某场站温度预报初探（论文提纲范文）
（1）基于天气类型及改进的小波神经网络的光伏发电短期预测（论文提纲范文）
| 1 光伏预测的影响因素 |
| 1.1 光伏发电站与数据 |
| 1.2 气候对光伏输出的影响 |
| 1.3 天气类型对光伏输出的影响 |
| 1.4 季节类型对光伏输出的影响 |
| 2 神经网络以及算法 |
| 2.1 基于小波神经网络 |
| 2.2 布谷鸟算法 |
| 2.3 预测模型总体框架 |
| 3 仿真分析 |
| 3.1 光伏发电功率预测 |
| 3.2 结果分析 |
| 4 结论 |
（2）风光发电功率与用电负荷联合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 风光电站异常运行数据识别研究现状 |
| 1.2.1 单一识别方法 |
| 1.2.2 组合识别方法 |
| 1.2.3 现状总结及存在问题分析 |
| 1.3 数值天气预报风速/辐照度修正研究现状 |
| 1.3.1 单一位置处的NWP风速/辐照度修正 |
| 1.3.2 考虑空间耦合特性的NWP风速/辐照度修正 |
| 1.3.3 现状总结及存在问题分析 |
| 1.4 风光发电功率与负荷预测研究现状 |
| 1.4.1 风电/光伏发电功率预测研究现状 |
| 1.4.2 负荷预测研究现状 |
| 1.4.3 风电-光伏发电-负荷功率预测研究现状 |
| 1.4.4 现状总结及存在问题分析 |
| 1.5 论文研究思路及主要内容 |
| 第2章 多时空尺度下风光资源与发电功率特性分析方法研究 |
| 2.1 引言 |
| 2.2 自然风时移性评价方法 |
| 2.2.1 现有时移性评价方法的不足 |
| 2.2.2 基于风过程提取的自然风时移性评价方法 |
| 2.3 风电功率波动性评价指标 |
| 2.3.1 现有波动性评价指标的不足 |
| 2.3.2 风电功率波动细节特征评价指标 |
| 2.4 风光发电功率互补性评价方法 |
| 2.4.1 现有互补性评价指标的不足 |
| 2.4.2 考虑风光发电功率波动性的实时互补性评价方法 |
| 2.5 算例分析 |
| 2.5.1 自然风时移性 |
| 2.5.2 风电功率波动细节特征 |
| 2.5.3 风光发电功率实时互补性 |
| 2.6 本章小结 |
| 第3章 面向功率预测的风光电站异常运行数据清洗 |
| 3.1 引言 |
| 3.2 风光电站异常运行数据类型梳理 |
| 3.3 针对异常数据分布不均的改进识别方法 |
| 3.3.1 双向单边四分位法 |
| 3.3.2 双DBSCAN聚类法 |
| 3.4 针对堆积型异常数据的改进K-means聚类法 |
| 3.5 风光电站异常运行数据的定向识别方法 |
| 3.6 算例分析 |
| 3.6.1 电站异常数据识别 |
| 3.6.2 电站异常数据还原 |
| 3.7 本章小结 |
| 第4章 数值天气预报风速/辐照度时序传递修正 |
| 4.1 引言 |
| 4.2 独立时刻下NWP误差模式 |
| 4.2.1 独立时刻下NWP风速误差 |
| 4.2.2 独立时刻下NWP辐照度误差 |
| 4.3 考虑时序关系的NWP误差模式 |
| 4.3.1 考虑时序关系的NWP风速误差 |
| 4.3.2 考虑时序关系的NWP辐照度误差 |
| 4.4 NWP风速/辐照度时序传递修正方法 |
| 4.5 评价指标 |
| 4.6 算例分析 |
| 4.6.1 风电场 |
| 4.6.2 光伏电站 |
| 4.7 本章小结 |
| 第5章 基于深度学习的风光发电功率与负荷联合预测 |
| 5.1 引言 |
| 5.2 风光荷联合预测依据及优势分析 |
| 5.3 基于变量注意力机制的风光荷关键输入信息提取 |
| 5.4 风光发电功率预测任务损失函数构建 |
| 5.4.1 多任务学习 |
| 5.4.2 基于同方差不确定性的风光发电功率预测任务损失函数 |
| 5.5 基于变量注意力机制-多任务学习的风光荷联合预测方法 |
| 5.6 评价指标 |
| 5.7 算例分析 |
| 5.7.1 风光荷相关性分析 |
| 5.7.2 风光荷确定性预测结果 |
| 5.7.3 风光荷不确定性预测结果 |
| 5.8 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）基于多任务学习的风光电站群功率预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单场站风光功率预测 |
| 1.2.2 区域风光功率预测 |
| 1.3 论文主要研究内容和章节安排 |
| 第2章 风光电站群出力特性分析 |
| 2.1 引言 |
| 2.2 风光电站群介绍 |
| 2.3 风光电站群出力相关性分析 |
| 2.3.1 相关性分析理论 |
| 2.3.2 风电场群出力相关性 |
| 2.3.3 光伏场群出力相关性 |
| 2.4 风光电站群出力波动性分析 |
| 2.4.1 出力波动率定义 |
| 2.4.2 风电出力波动性 |
| 2.4.3 光伏出力波动性 |
| 2.5 本章小结 |
| 第3章 基于改进全连接神经网络的风光电站群功率预测模型 |
| 3.1 引言 |
| 3.2 预测模型相关理论 |
| 3.2.1 堆叠自编码器 |
| 3.2.2 改进的全连接神经网络 |
| 3.3 建立风光电站群功率预测模型 |
| 3.4 算例分析 |
| 3.4.1 数据及预处理 |
| 3.4.2 评价指标 |
| 3.4.3 算例分析 |
| 3.5 本章小结 |
| 第4章 基于深度多任务学习的风光集群功率联合预测模型 |
| 4.1 引言 |
| 4.2 深度多任务学习 |
| 4.2.1 卷积神经网络 |
| 4.2.2 多任务学习 |
| 4.2.3 深度多任务学习优化算法 |
| 4.3 建立区域风光功率联合预测模型 |
| 4.4 算例分析 |
| 4.4.1 数据及预处理说明 |
| 4.4.2 预测结果分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）基于改进集成学习算法的光伏场站功率预测方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 国内外光伏发展现状 |
| 1.1.2 光伏功率预测意义 |
| 1.2 光伏功率预测研究概述 |
| 1.2.1 光伏功率预测研究现状 |
| 1.2.2 光伏功率预测研究存在的问题 |
| 1.3 本文工作和章节安排 |
| 第二章 光伏场站数据分析与处理 |
| 2.1 光伏场站数据来源 |
| 2.2 数据分析 |
| 2.2.1 光伏功率波动性分析 |
| 2.2.2 光伏功率相关性分析 |
| 2.3 数据处理 |
| 2.4 本章小结 |
| 第三章 基于集成自适应增强随机森林的光伏场站功率单值预测 |
| 3.1 基于集成自适应增强随机森林的光伏场站功率单值预测原理 |
| 3.1.1 集成学习算法原理 |
| 3.1.2 随机森林原理 |
| 3.1.3 自适应增强原理 |
| 3.2 基于集成自适应增强随机森林的光伏场站功率单值预测框架 |
| 3.3 算例分析 |
| 3.3.1 单值预测精度评价指标 |
| 3.3.2 数据集的划分 |
| 3.3.3 预测结果分析与比较 |
| 3.4 本章小结 |
| 第四章 基于多模型STACKING分位数回归的光伏功率概率预测 |
| 4.1 基于多模型Stacking分位数回归的光伏功率概率预测原理 |
| 4.1.1 SVM原理 |
| 4.1.2 XGBoost原理 |
| 4.1.3 分位数回归原理 |
| 4.1.4 核密度估计原理 |
| 4.2 基于多模型Stacking分位数回归的光伏功率概率预测框架 |
| 4.3 算例分析 |
| 4.3.1 概率预测评价指标 |
| 4.3.2 数据集的划分 |
| 4.3.3 预测结果分析与比较 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的论文及参与的项目 |
| 学位论文评阅及答辩情况表 |
（5）基于改进随机森林的光伏集群功率超短期预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 课题的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 第2章 大规模光伏集群功率的汇聚效应分析 |
| 2.1 光伏功率平滑效应产生机理 |
| 2.2 光伏功率汇聚效应分析 |
| 2.3 本章小结 |
| 第3章 基于光照过程特征分析的光伏功率异常数据处理 |
| 3.1 光伏功率影响因素分析 |
| 3.2 基于Copula函数拟合的光伏功率异常数据识别 |
| 3.3 基于改进云模型的光伏功率异常数据修正 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 第4章 基于改进随机森林的光伏集群功率超短期预测模型 |
| 4.1 随机森林模型的初步研究 |
| 4.2 基于改进随机森林的光伏集群功率超短期预测模型的建立 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第5章 不同季节下的光伏集群功率超短期预测误差分析 |
| 5.1 光伏功率预测误差分布的多样性 |
| 5.2 误差分布拟合的定量刻画 |
| 5.3 算例分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| (一)参加的科研工作 |
| (二)发表论文情况 |
| (三)发表专利情况 |
| 致谢 |
（6）基于波动特性挖掘的短期光伏功率预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 大规模光伏并网对电力系统的影响 |
| 1.1.3 光伏功率预测的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光伏功率预测方法的分类体系 |
| 1.2.2 光伏功率预测方法的研究现状 |
| 1.3 本文主要工作 |
| 第2章 光伏功率预测的数据预处理 |
| 2.1 光伏输出功率的影响因素分析 |
| 2.1.1 气象因子的影响 |
| 2.1.2 天气类型与季节的影响 |
| 2.1.3 其他因素的影响 |
| 2.2 基于互信息熵的相关性分析及应用 |
| 2.2.1 互信息熵相关性的原理 |
| 2.2.2 光伏功率气象影响因子的定量分析 |
| 2.2.3 异常数据处理 |
| 2.2.4 相似日筛选 |
| 2.2.5 算例分析 |
| 2.3 本章小结 |
| 第3章 光伏功率的波动特性挖掘 |
| 3.1 光伏功率波动类型划分与识别 |
| 3.1.1 波动类型的定义与特征提取 |
| 3.1.2 波动类型的聚类识别 |
| 3.2 待测日波动类型的识别与匹配 |
| 3.2.1 天气波动类型的参数识别 |
| 3.2.2 待测日天气波动类型的匹配 |
| 3.2.3 波动类型匹配的准确率分析 |
| 3.3 本章小结 |
| 第4章 基于波动特性挖掘和长短期记忆网络的预测模型 |
| 4.1 LSTM神经网络 |
| 4.1.1 LSTM神经网络基本理论 |
| 4.1.2 LSTM神经网络的训练过程 |
| 4.2 基于波动特性挖掘的光伏功率预测 |
| 4.2.1 预测模型 |
| 4.2.2 预测步骤 |
| 4.2.3 预测评价指标 |
| 4.3 综合预测结果与对比分析 |
| 4.3.1 预测数据选取及模型参数设定 |
| 4.3.2 预测模型结构的对比分析 |
| 4.3.3 数据挖掘方法的对比分析 |
| 4.4 本章小结 |
| 第5章 光伏功率预测系统的设计与实现 |
| 5.1 系统实现的环境与应用工具 |
| 5.2 系统混合编程的架构与实现步骤 |
| 5.3 系统界面及其功能分析 |
| 5.3.1 系统界面设计概述 |
| 5.3.2 初始化与数据导入界面 |
| 5.3.3 数据预处理界面 |
| 5.3.4 数据挖掘界面 |
| 5.3.5 功率预测界面 |
| 5.3.6 综合对比分析界面 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历及在学期间发表的学术论文 |
（8）风光电站富集区域的发电控制策略研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究的必要性 |
| 1.4 研究思路与技术路线 |
| 1.5 论文的主要内容 |
| 第二章 风光电站富集区域发电控制策略的现状分析 |
| 2.1 云南风光新能源简况 |
| 2.1.1 云南并网风电概况 |
| 2.1.2 云南并网光伏概况 |
| 2.2 风光新能源场站发电控制现状及存在问题 |
| 2.2.1 新能源风力发电的控制现状 |
| 2.2.2 新能源光伏发电的控制现状 |
| 2.2.3 新能源与其它能源协调控制现状 |
| 2.2.4 风光新能源发电控制存在的问题 |
| 2.3 区域电网对新能源的调度管理及控制现状 |
| 2.3.1 电网调度管理及控制现状 |
| 2.3.2 电网调度管理及控制面临的问题 |
| 2.4 本章小结 |
| 第三章 滇西风光电站富集区域的发电控制策略研究 |
| 3.1 风光新能源发电系统基础特性分析 |
| 3.1.1 主流风机运行特点分析 |
| 3.1.2 风力机组机械原理 |
| 3.1.3 风力机组发电模型 |
| 3.1.4 光伏发电类型及出力特性分析 |
| 3.1.5 光伏电池数学模型及输出特性 |
| 3.1.6 光伏逆变器的数学模型及输出最大功率计算 |
| 3.2 新能源场站控制系统配置及功能研究 |
| 3.2.1 新能源场站控制系统典型结构配置 |
| 3.2.2 风电机组单机PLC控制方法 |
| 3.2.3 风机能量管理系统控制方式 |
| 3.2.4 新能源发电管理模式 |
| 3.3 新能源场站端发电控制关键技术研究 |
| 3.3.1 新能源场站控制系统架构 |
| 3.3.2 发电数据采集与上送的通信方案 |
| 3.3.3 风光新能源场站端发电控制策略 |
| 3.4 区域电网系统有功集群控制策略研究 |
| 3.4.1 区域电网系统有功集群控制流程 |
| 3.4.2 风场群有功调节指令分解 |
| 3.4.3 风场有功控制策略求解计算 |
| 3.4.4 区域电网系统风光互补协调控制策略 |
| 3.5 电网新能源调度端控制策略部署 |
| 3.5.1 新能源调度端发电控制系统架构设计 |
| 3.5.2 新能源调度端控制功能部署 |
| 3.6 本章小结 |
| 第四章 风光电站富集区域的发电控制策略的综合应用 |
| 4.1 云南滇西片区风光新能源场站发电控制策略应用 |
| 4.1.1 配置风光新能源AGC控制系统 |
| 4.1.2 新能源场站端AGC控制策略验证 |
| 4.1.3 控制效果分析 |
| 4.2 区域电网调度端新能源有功集群控制策略应用 |
| 4.2.1 配置新能源调度端的控制功能 |
| 4.2.2 新能源调度平台控制策略验证 |
| 4.2.3 控制效果分析 |
| 4.3 风光电站富集区域的电力系统全局控制策略综合应用 |
| 4.3.1 配置新能源有功集群控制 |
| 4.3.2 区域电网系统有功集群控制策略验证 |
| 4.3.3 控制效果分析 |
| 4.4 本章小结 |
| 第五章 结论和展望 |
| 致谢 |
| 参考文献 |
（9）时空特征深度挖掘的风电集群发电功率短期概率预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 国内外风电发展现状 |
| 1.1.2 风电预测研究发展现状 |
| 1.2 风电集群发电功率预测特点及意义 |
| 1.2.1 风电集群功率预测研究的特点 |
| 1.2.2 风电集群发电功率预测意义 |
| 1.3 本文工作和章节安排 |
| 第二章 风电集群数据分析与预测框架 |
| 2.1 风电集群发电功率预测的数据预处理 |
| 2.1.1 数据来源 |
| 2.1.2 不良数据产生原因分析 |
| 2.1.3 数据清洗与归一化处理 |
| 2.2 风电集群发电功率预测的数据分析 |
| 2.2.1 风电集群发电功率的统计特征 |
| 2.2.2 集群风电场站之间的关联性 |
| 2.2.3 解释变量的选择 |
| 2.3 时空特征深度挖掘的风电集群发电功率概率预测框架 |
| 2.4 本章小结 |
| 第三章 基于改进BP神经网络分位数回归的风电集群发电功率概率预测方法 |
| 3.1 BP神经网络分位数回归风电集群发电功率概率预测模型 |
| 3.1.1 分位数回归算法 |
| 3.1.2 神经网络原理 |
| 3.1.3 神经网络分位数回归模型 |
| 3.2 改进BP神经网络分位数回归风电集群发电功率概率预测模型 |
| 3.2.1 改进BP神经网络结构 |
| 3.2.2 损失函数和激活函数的改进 |
| 3.3 算例分析 |
| 3.3.1 概率预测的评价方法 |
| 3.3.2 数据集的划分 |
| 3.3.3 预测结果分析与比较 |
| 3.4 本章小结 |
| 第四章 时空特征深度挖掘的风电集群发电功率概率预测方法 |
| 4.1 时空特征深度挖掘的风电集群发电功率概率预测模型 |
| 4.1.1 卷积神经网络 |
| 4.1.2 长短时记忆神经网络 |
| 4.1.3 时空特征深度挖掘的风电集群发电功率概率预测模型的构建 |
| 4.2 输入数据的结构化表达——特征图表的构建 |
| 4.3 算例分析 |
| 4.3.1 预测期望值的评价方法 |
| 4.3.2 数据集划分 |
| 4.3.3 预测结果分析与比较 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的论文及参与的项目 |
| 学位论文评阅及答辩情况表 |
（10）下垫面信息优化对京津冀气象场及空气污染物浓度场模拟影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 空气质量模式发展及应用 |
| 1.2.2 下垫面精度对气象数值模拟的影响 |
| 1.2.3 下垫面精度对污染物数值模拟的影响 |
| 1.3 研究内容和技术路线 |
| 第二章 空气质量预报模型及其下垫面数据优化方法 |
| 2.1 空气质量预报系统 |
| 2.2.1 WRF模式 |
| 2.2.2 SMOKE模式 |
| 2.2.3 CMAQ模式 |
| 2.2 常用下垫面优化方法 |
| 2.3 地形插值模块的修正 |
| 2.4 资料选取和试验设计 |
| 2.4.1 资料选取 |
| 2.4.2 试验设计 |
| 第三章 气象场模拟验证 |
| 3.1 研究区概况 |
| 3.2 气象模式设置与方法 |
| 3.2.1 WRF模式设置 |
| 3.2.2 研究方法 |
| 3.3 下垫面优化对平均气象要素的影响 |
| 3.4 下垫面优化对气象场时间序列的影响 |
| 3.4.1 2 m气压 |
| 3.4.2 2 m气温 |
| 3.4.3 10 m风速 |
| 3.4.4 2 m相对湿度和2m露点温度 |
| 第四章 空气污染物浓度场模拟验证 |
| 4.1 研究方案设置 |
| 4.1.1 源排放清单设置 |
| 4.1.2 空气质量模式设置 |
| 4.2 下垫面优化对平均污染物浓度的影响 |
| 4.3 下垫面优化对污染物空间分布的影响 |
| 4.3.1 PM_(2.5) 浓度 |
| 4.3.2 SO_2 浓度 |
| 4.3.3 NO_2 浓度 |
| 4.3.4 CO浓度 |
| 4.4 下垫面优化对浓度场时间序列的影响 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 存在的问题与展望 |
| 参考文献 |
| 致谢 |
四、某场站温度预报初探（论文参考文献）
- [1]基于天气类型及改进的小波神经网络的光伏发电短期预测[J]. 陈美珍,柳扬,徐胜彬,郭俊锋,张永强,林金阳. 贵州大学学报(自然科学版), 2022
- [2]风光发电功率与用电负荷联合预测方法研究[D]. 王函. 华北电力大学(北京), 2021
- [3]基于多任务学习的风光电站群功率预测方法研究[D]. 林爱美. 华北电力大学(北京), 2021
- [4]基于改进集成学习算法的光伏场站功率预测方法[D]. 王冠杰. 山东大学, 2021
- [5]基于改进随机森林的光伏集群功率超短期预测[D]. 刘丁泽. 东北电力大学, 2021(09)
- [6]基于波动特性挖掘的短期光伏功率预测研究[D]. 吉锌格. 北京信息科技大学, 2021(08)
- [7]基于数据增强的分布式光伏电站群短期功率预测(一)：方法框架与数据增强[J]. 乔颖,孙荣富,丁然,黎上强,鲁宗相. 电网技术, 2021(05)
- [8]风光电站富集区域的发电控制策略研究与应用[D]. 史继辉. 昆明理工大学, 2020(04)
- [9]时空特征深度挖掘的风电集群发电功率短期概率预测方法研究[D]. 于一潇. 山东大学, 2020
- [10]下垫面信息优化对京津冀气象场及空气污染物浓度场模拟影响研究[D]. 李晓丽. 天津师范大学, 2020(07)