21、太阳能功率预测与风力发电最大功率点跟踪技术研究

太阳能功率预测与风力发电最大功率点跟踪技术研究

1. 太阳能功率预测相关

1.1 预测方法概述

太阳能功率预测方法多样，主要有基于物理模型方程的方法、基于时间序列分析的数据驱动方法、随机方法、统计方法、机器学习方法和深度学习方法等。
- 随机方法：基于移动平均和自回归技术，但作为线性模型，在完整映射太阳能功率数据变化方面可能效果不佳。
- 统计方法：如马尔可夫链，相比分析方法更有效，因其无需物理模型和其他细节。
- 机器学习方法：如KNN、ANN、SVM等，在处理数据非线性方面非常有效。
- 深度学习方法：如RNN、LSTM，不过其有效性依赖于大量数据。

本次研究选取了自回归积分滑动平均（ARIMA）、支持向量回归（SVR）和长短期记忆网络（LSTM）这三种流行方法进行太阳能功率预测。

1.2 数据准备

使用Vantage Pro2 Plus设备记录印度理工学院布巴内斯瓦尔分校当前使用的光伏阵列设置的各种气象变量信息，记录间隔为30分钟。由于未记录功率输出，通过以下公式根据辐照度和温度值估算光伏面板的最大功率：
[P = η * S * I * (1 - 0.05 (T - 25))]
其中：
- (η)：面板效率
- (S)：面板面积
- (I)：太阳辐照度
- (T)：温度
- (P)：可从面板获取的最大功率

为了拟合监督学习模型，需要将时间序列数据转换为监督学习数据集。具体操作是选取一定数量不同滞后的过去值进行回归，每个滞后值作为一个独特特征，零滞后值作为标签，形成一个训练样本。多步预测时，根据滞后