7、机器学习与深度学习在光伏输出功率预测中的应用

机器学习与深度学习在光伏输出功率预测中的应用

1. 问题提出

光伏电站主要由光伏阵列、转换器、逆变器、滤波器、变压器和保护装置等组成。光伏功率预测在光伏电站的性能分析、功率调度、优化调度、规划和运行中一直是重要的一部分。

功率预测问题可以用以下关系来表述：
(Future values of power) = F(historical powers, forecasted meteorological parameters)

其中，F 是一个函数，它能够根据一些输入参数（如历史功率或预测的气象参数，像太阳辐照度、气温、风速、相对湿度等）来预测未来的功率值。

数学上有三种方法：
1. 仅使用历史功率：
= f(Pt−n, Pt−n−1, … Pt−1,)
其中 pt 是实际功率，pt–n 是之前的功率，pt+k 是第 k 步的预测功率，f 是过去和未来功率之间的函数依赖关系，t 从 1 到 n 变化，n 是测量的长度。
2. 依赖气象参数：
= f(Gt+k, Tt+k, WSt+k, …)
其中 Gt+k、Tt+k、WSt+k 分别是预测的太阳辐照度、气温和风速。
3. 结合历史和预测的气象数据：
= f(Pt−n, Pt−n−1, … Pt−1, Gt+k, Tt+k, WSt+k, …)

2. 机器学习与深度学习

2.1 机器学习

机器学习是指让计算机能够从经验（即数据集）中自动学习，而无需人类明确编程的技术。机器学习算法可分为四大类：
- 监督学习：算法尝试在输入和输出特征之间建立关系和依