书籍详情
新能源发电功率预测
作者：王飞等 著
出版社：科学出版社
出版时间：2020-06-01
ISBN：9787030651587
定价：¥158.00
购买这本书可以去
内容简介
《新能源发电功率预测》介绍了作者团队近年来在风电、光伏发电功率预测技术领域的研究成果，包括出力特性、理论方法、预测模型、算例验证与应用系统。《新能源发电功率预测》研究成果可以作为电网公司和新能源发电运营商有关技术和管理人员的参考，为电力调度控制中心的运行控制和决策优化提供支撑，帮助新能源发电运营商提高场站的发电容量利用率、经济效益和投资回报率。《新能源发电功率预测》共10章，分别为新能源功率预测背景意义、预测基本问题概述、光伏发电系统出力特性分析、光伏发电功率极短期预测、光伏发电功率超短期预测、光伏发电功率短期预测、深度学习理论在光伏发电功率预测中的应用、风电功率超短期预测、风电功率短期预测以及实际预测系统。
作者简介
暂缺《新能源发电功率预测》作者简介
目录
目录
《智能电网研究与应用丛书》序
前言
第1章 新能源功率预测背景意义 1
1.1 新能源的发展 1
1.1.1 风力发电 1
1.1.2 光伏发电 3
1.2 问题与挑战 7
1.3 新能源功率预测的意义 9
参考文献 9
第2章 预测基本问题概述 11
2.1 新能源功率预测的基本方式 11
2.1.1 直接预测 11
2.1.2 分步预测 12
2.2 新能源功率预测时空尺度 14
2.3 功率预测方法 15
2.3.1 时间序列 15
2.3.2 人工神经网络 17
2.3.3 支持向量机 22
2.3.4 小波变换 28
2.3.5 经验模态分解 30
2.3.6 混沌理论与相空间重构 32
2.4 预测误差评价与考核 34
参考文献 35
第3章 光伏发电系统出力特性分析 37
3.1 光伏发电系统简介 37
3.1.1 光伏发电的基本原理 37
3.1.2 光伏发电系统的结构 38
3.2 光伏发电系统出力特性 39
3.2.1 光伏发电系统的输出特性 39
3.2.2 光伏发电功率影响因子相关性分析 41
3.2.3 光伏电站发电功率出力特性的关联数据模型 48
参考文献 51
第4章 光伏发电功率极短期预测 53
4.1 概述 53
4.2 基于天空图像的光伏发电功率分钟级预测方法 54
4.2.1 云团运动对光伏发电功率的影响机理 54
4.2.2 光伏发电功率分钟级预测基本技术路线 54
4.3 云空辨识 56
4.3.1 基于大类间方差法的云空辨识算法 56
4.3.2 基于k-means 聚类的云团辨识方法 59
4.4 云团运动速度计算 63
4.4.1 傅里叶相位相关理论 63
4.4.2 云团运动速度计算流程 64
4.4.3 云团运动速度计算结果准确性分析 65
4.4.4 仿真与分析 67
4.5 基于相移不变性的改进云团位移计算 71
4.5.1 相移不变性 71
4.5.2 基于相移不变性的天空图像云团位移计算改进算法 73
4.5.3 仿真结果与分析 75
4.6 地表辐照度计算 80
4.6.1 地表辐照度计算流程 80
4.6.2 晴空地表辐照度 81
4.6.3 天空图像云遮挡特征提取 82
4.6.4 BP 模型输入变量及网络拓扑结构选取 84
4.6.5 仿真与分析 85
4.7 本章小结 87
参考文献 88
第5章 光伏发电功率超短期预测 90
5.1 概述 90
5.2 集合预测方法 90
5.3 基于小波分解的多重并行预测 91
5.4 多重并行预测结果的自适应时间断面融合 94
5.5 算法仿真与讨论 97
5.5.1 仿真过程设计 97
5.5.2 仿真结果比较 97
5.5.3 联合优化过程讨论 101
5.6 本章小结 102
参考文献 103
第6章 光伏发电功率短期预测 104
6.1 概述 104
6.2 基于天气状态模式识别的光伏电站发电功率分类预测方法 104
6.2.1 历史数据分组与缺失标签恢复 104
6.2.2 光伏电站发电功率分类预测方法 107
6.3 重要气象影响因子预测 109
6.3.1 辐照度神经网络预测模型仿真 109
6.3.2 基于时间周期性和临近相似性的辐照度预测值修正方法 115
6.3.3 光伏电池组件温度与气象因素相关分析及光伏电池组件温度预测 122
6.4 光伏电站发电功率关联数据映射预测 141
参考文献 145
第7章 深度学习理论在光伏发电功率预测中的应用 146
7.1 深度学习模型 146
7.1.1 基于深度学习理论的生成模型 146
7.1.2 卷积神经网络 153
7.1.3 循环神经网络 156
7.1.4 长短期记忆网络. 160
7.1.5 双向长短期记忆网络 162
7.2 基于深度学习理论的天气状态模式识别模型 163
7.2.1 仿真数据与仿真平台 165
7.2.2 深度学习模型结构和超参数 165
7.2.3 生成样本质量评估 166
7.2.4 不同模型准确率对比 170
7.3 基于天气状态分类和深度学习理论的辐照度预测模型 174
7.3.1 预测模型的组成. 174
7.3.2 仿真算例 178
7.4 本章小结 191
参考文献 191
第8章 风电功率超短期预测 193
8.1 概述 193
8.2 基于模糊粗糙集理论的风电功率预测方法 195
8.2.1 基于模糊粗糙集与改进聚类的神经网络风速预测模型 195
8.2.2 模型仿真实例与结果分析 196
8.3 基于混沌理论的风电功率预测方法 201
8.3.1 基于混沌分析和RBF(C-RBF)的功率预测模型 201
8.3.2 模型仿真实例与结果分析 202
8.4 基于EMD 的风电功率预测方法 204
8.4.1 基于EMD-ARMA 的风电功率预测模型 205
8.4.2 基于EMD-RBF 的风电功率预测模型 206
8.4.3 模型仿真实例与结果分析 207
8.5 考虑时空信息的风电功率预测方法 217
8.5.1 风速时空相关性分析 217
8.5.2 STCP-BP 组合的时空相关性预测模型 218
8.5.3 模型仿真实例与结果分析 221
参考文献 225
第9章 风电功率短期预测 226
9.1 概述 226
9.2 基于NWP 的短期风力发电功率预测方法 226
9.2.1 NWP 信息与风力发电功率的关系 226
9.2.2 基于NWP 的神经网络风电功率预测 227
9.2.3 模型仿真实例及结果分析 227
9.3 风力发电功率的概率预测方法 228
9.3.1 风力发电功率预测误差概率分布特性分析 229
9.3.2 贝塔分布模型及模型的优化 231
9.3.3 模型仿真实例及结果分析 234
参考文献 237
第10章 实际预测系统 238
10.1 光伏功率预测系统 238
10.1.1 概述 238
10.1.2 数据的采集和处理 238
10.1.3 系统的架构设计 241
10.1.4 系统拓扑与数据交换方式 244
10.1.5 功能设置与界面展示 247
10.1.6 小结 251
10.2 风电功率预测系统 251
10.2.1 概述 251
10.2.2 需求分析 251
10.2.3 构架设计 254
10.2.4 系统实现 259
10.2.5 系统应用 259
10.2.6 小结 263
参考文献 263
《智能电网研究与应用丛书》序
前言
第1章 新能源功率预测背景意义 1
1.1 新能源的发展 1
1.1.1 风力发电 1
1.1.2 光伏发电 3
1.2 问题与挑战 7
1.3 新能源功率预测的意义 9
参考文献 9
第2章 预测基本问题概述 11
2.1 新能源功率预测的基本方式 11
2.1.1 直接预测 11
2.1.2 分步预测 12
2.2 新能源功率预测时空尺度 14
2.3 功率预测方法 15
2.3.1 时间序列 15
2.3.2 人工神经网络 17
2.3.3 支持向量机 22
2.3.4 小波变换 28
2.3.5 经验模态分解 30
2.3.6 混沌理论与相空间重构 32
2.4 预测误差评价与考核 34
参考文献 35
第3章 光伏发电系统出力特性分析 37
3.1 光伏发电系统简介 37
3.1.1 光伏发电的基本原理 37
3.1.2 光伏发电系统的结构 38
3.2 光伏发电系统出力特性 39
3.2.1 光伏发电系统的输出特性 39
3.2.2 光伏发电功率影响因子相关性分析 41
3.2.3 光伏电站发电功率出力特性的关联数据模型 48
参考文献 51
第4章 光伏发电功率极短期预测 53
4.1 概述 53
4.2 基于天空图像的光伏发电功率分钟级预测方法 54
4.2.1 云团运动对光伏发电功率的影响机理 54
4.2.2 光伏发电功率分钟级预测基本技术路线 54
4.3 云空辨识 56
4.3.1 基于大类间方差法的云空辨识算法 56
4.3.2 基于k-means 聚类的云团辨识方法 59
4.4 云团运动速度计算 63
4.4.1 傅里叶相位相关理论 63
4.4.2 云团运动速度计算流程 64
4.4.3 云团运动速度计算结果准确性分析 65
4.4.4 仿真与分析 67
4.5 基于相移不变性的改进云团位移计算 71
4.5.1 相移不变性 71
4.5.2 基于相移不变性的天空图像云团位移计算改进算法 73
4.5.3 仿真结果与分析 75
4.6 地表辐照度计算 80
4.6.1 地表辐照度计算流程 80
4.6.2 晴空地表辐照度 81
4.6.3 天空图像云遮挡特征提取 82
4.6.4 BP 模型输入变量及网络拓扑结构选取 84
4.6.5 仿真与分析 85
4.7 本章小结 87
参考文献 88
第5章 光伏发电功率超短期预测 90
5.1 概述 90
5.2 集合预测方法 90
5.3 基于小波分解的多重并行预测 91
5.4 多重并行预测结果的自适应时间断面融合 94
5.5 算法仿真与讨论 97
5.5.1 仿真过程设计 97
5.5.2 仿真结果比较 97
5.5.3 联合优化过程讨论 101
5.6 本章小结 102
参考文献 103
第6章 光伏发电功率短期预测 104
6.1 概述 104
6.2 基于天气状态模式识别的光伏电站发电功率分类预测方法 104
6.2.1 历史数据分组与缺失标签恢复 104
6.2.2 光伏电站发电功率分类预测方法 107
6.3 重要气象影响因子预测 109
6.3.1 辐照度神经网络预测模型仿真 109
6.3.2 基于时间周期性和临近相似性的辐照度预测值修正方法 115
6.3.3 光伏电池组件温度与气象因素相关分析及光伏电池组件温度预测 122
6.4 光伏电站发电功率关联数据映射预测 141
参考文献 145
第7章 深度学习理论在光伏发电功率预测中的应用 146
7.1 深度学习模型 146
7.1.1 基于深度学习理论的生成模型 146
7.1.2 卷积神经网络 153
7.1.3 循环神经网络 156
7.1.4 长短期记忆网络. 160
7.1.5 双向长短期记忆网络 162
7.2 基于深度学习理论的天气状态模式识别模型 163
7.2.1 仿真数据与仿真平台 165
7.2.2 深度学习模型结构和超参数 165
7.2.3 生成样本质量评估 166
7.2.4 不同模型准确率对比 170
7.3 基于天气状态分类和深度学习理论的辐照度预测模型 174
7.3.1 预测模型的组成. 174
7.3.2 仿真算例 178
7.4 本章小结 191
参考文献 191
第8章 风电功率超短期预测 193
8.1 概述 193
8.2 基于模糊粗糙集理论的风电功率预测方法 195
8.2.1 基于模糊粗糙集与改进聚类的神经网络风速预测模型 195
8.2.2 模型仿真实例与结果分析 196
8.3 基于混沌理论的风电功率预测方法 201
8.3.1 基于混沌分析和RBF(C-RBF)的功率预测模型 201
8.3.2 模型仿真实例与结果分析 202
8.4 基于EMD 的风电功率预测方法 204
8.4.1 基于EMD-ARMA 的风电功率预测模型 205
8.4.2 基于EMD-RBF 的风电功率预测模型 206
8.4.3 模型仿真实例与结果分析 207
8.5 考虑时空信息的风电功率预测方法 217
8.5.1 风速时空相关性分析 217
8.5.2 STCP-BP 组合的时空相关性预测模型 218
8.5.3 模型仿真实例与结果分析 221
参考文献 225
第9章 风电功率短期预测 226
9.1 概述 226
9.2 基于NWP 的短期风力发电功率预测方法 226
9.2.1 NWP 信息与风力发电功率的关系 226
9.2.2 基于NWP 的神经网络风电功率预测 227
9.2.3 模型仿真实例及结果分析 227
9.3 风力发电功率的概率预测方法 228
9.3.1 风力发电功率预测误差概率分布特性分析 229
9.3.2 贝塔分布模型及模型的优化 231
9.3.3 模型仿真实例及结果分析 234
参考文献 237
第10章 实际预测系统 238
10.1 光伏功率预测系统 238
10.1.1 概述 238
10.1.2 数据的采集和处理 238
10.1.3 系统的架构设计 241
10.1.4 系统拓扑与数据交换方式 244
10.1.5 功能设置与界面展示 247
10.1.6 小结 251
10.2 风电功率预测系统 251
10.2.1 概述 251
10.2.2 需求分析 251
10.2.3 构架设计 254
10.2.4 系统实现 259
10.2.5 系统应用 259
10.2.6 小结 263
参考文献 263
猜您喜欢
