基于相似日和改进WOA-DELM的短期光伏功率预测

 

基于相似日和改进WOA-DELM的短期光伏功率预测

摘   要

随着互联网的快速‎‏发展，很‎‏多扶贫‎‏数据都‎‏是依赖‎‏人工手‎‏动管理‎‏，既费‎‏工费时‎‏又不能保证精‎‏准率

关键词：Mysql数据库；Java语言；SpringBoot框架

 

Abstract

With the rapid development of the Internet, many poverty alleviation data rely on manual manageme

Keywords:MySQL database; Java language; SpringBoot framework

 

目  录

第1章 绪论........................................................ 1

1.1 背景分析.................................................... 1

1.2 研究的目的和意义............................................ 1

1.3 国内外研究现状.............................................. 2

第2章 光伏发电的原理及输出功率的影响因素.......................... 2

2.1 光伏电池工作原理............................................ 2

2.2 光伏发电系统的组成.......................................... 3

2.3 辐照度对光伏输出功率的影响.................................. 2

2.4 温度对光伏输出功率的影响.................................... 2

2.5 基于皮尔逊（Pearson）相关系数分析因素相关度................. 3

2.6 光伏发电预测的性能指标...................................... 2

2.7 本章小结.................................................... 2

第3章 算法分析.................................................... 5

3.1 DELM算法................................................... 6

3.2 需鲸鱼优化算法WOA.......................................... 6

3.3 相似日理论概述.............................................. 6

第4章 基于相似日理论和WOA-DELM短期光伏功率预测................... 9

4.1 春季光伏功率预测............................................ 9

4.2 夏季光伏功率预测............................................ 9

4.3 秋冬光伏功率预测............................................ 9

4.4 本章小结.................................................... 9

第5章 结论和展望................................................. 10

5.1 结论........................................................ 9

5.2 展望........................................................ 9

第1章 绪论

1.1背景分析

过去几十年社会经济和科学技术得到了快速发展，生活发生了非常大的变化。导致了对能源的需求越来越大，而地球上的不可再生资源基本不变。随大量的资源被消耗，能源危机日益严重。另外，人类过渡开发和使用不可再生资源，也导致环境污染严重。例如空气污染和全球变暖等问题，对未来的生活有很大影响。这种情况下需要发展可再生清洁能源，比如风能，太阳能等。其中太阳能有着安全、储量大、清洁等很多优点。现在世界上许多国家和地区都在加快光伏电站的建设。在我国，截止到2021年末我国累计装机容量接近世界总数量的三分之一，在世界处于领先地位[1][2]。光伏发电不仅可以解决我国用电量不足的问题，也可以使我国在碳达峰和碳中和的目标更进一步。使我国的环境进一步改善，更好的实现绿水青山的目标。

但是，因为光伏发电系统受温度，辐照度等环境影响很大，导致发电功率是动态变化的，这样大量的光伏并网会导致电力系统的不稳定性。这不仅影响电网的正常运行和电能的质量，也对电能的分配提出来挑战[3]。而精确地预测光伏的发电功率是非常必要的。它不仅可以有效的提高电网的安全性和稳定性，也可以让有关部门更方便的进行能源的规划和管理。进一步提高了效率。

1.2国内外研究现状

光伏功率预测是一种使用计算机将一些气象信息以及光伏电站的历史数据进行分析处理，通过这些数据来预测光伏功率的方法。

在光伏功率的预测方面，欧美等发达国家很早就开始研究，发展比较快。我国尽管最近几年开始大力发展该方面的研究但还是因为起步比较晚，还在探索阶段。与欧美发达国家之间仍有不小的差距[4]。

首先在国外方面，法国Meteodyn公司早在21世纪初期就开始研究新能源发电的知识，其研发出的MeteodynPV光伏功率预测系统能估算光伏电站附近的太阳能资源，能分析出太阳能板的朝向问题，进而去预测光伏功率。瑞士日内瓦大学研发的PVSYST光伏功率预测系统应用很广，该系统可以对光伏电站建模仿真分析，进一步对光伏电站的输出功率进行预测效果很好[5]。

国内，在我国的大力支持下，也得到了快速发展。 2010年，中国电力科学研究院研发的光伏功率预测系统(SPSF)上线运行，该系统可以自己进行气象采集，能够预测光伏电站一周的输出功率。2020年，尚特杰电力科技有限公司和东南大学联合开发了SNE8500系统，该系统采用五种国内外权威气象源数据作为支撑，具备深度学习优化训练模型功能。然而，以上系统的光伏功率预测仍然存在较大的预测误差，系统的平均误差为10%-20%。因此，提升光伏电站的输出功率预测精度仍然是当前研究的重中之重[6]。

目前预测模型主要分为如下几类。

首先，根据时间的长短来分类，可以分为以下几种。首先是超短期功率预测，超短期功率预测就是能够对4个小时内的光伏进行预测，它对于预测模型的实时性要求很高。周楠[7]等人提出了一种使用自组织映射来进行数据分类的方法，它采用了一个宽频的学习系统来建立一个超短期、多步长的光伏发电功率预测模型，这种方法能够解决目前对光伏数据的聚类比较粗略的问题，同时还能够降低深度神经网络的训练时间。短期功率预测一般是通过气象数据进行48小时内的光伏功率预测，它可以帮助电力系统制定调度计划。刘博洋等[8]提出了采用改进的灰色神经网络对电力系统进行短期预报，采用滑动平均方法对数据进行光滑处理，对灰色模型进行修正，将修正后的灰色模型与神经网络模型相结合，采用微粒群算法对复合模型的参数进行优化，最终获得了一个改进的灰色神经网络复合模型。光伏发电的长期预测一般为1个月至1年，主要适用于区域光伏发电的布局，但其准确性比较差，在实际中应用不多。Han等[9]针对光伏电力中长期预测存在的时间尺度过大、天气预报精度不高等问题，提出了一种以 copula函数为基础的长短时记忆网络为基础，通过对 copula函数的非线性效应和趋势相关性度量，提取出对光伏电力产生影响的气象因子，并以 DELM为基础构建光伏电力预测模型。

按照建模方式，光伏功率可以分为如下几种：物理法、统计法以及组合预测法。其中，统计学方法凭借着智能预测模型很强的学习新特征的能力以及将样本信息发掘完全的能力，从而得到广大研究者的青睐[10]。例如：多方面考虑气候、天气等气象因素并监测出气象数据和光伏使力数据。王小杨[11]等人采用了人工蜂群算法优化支持向量机方法来进行训练，以发电量为依据，对气象数据进行了分析，从中选择出了一万多条数据，并利用粒子群优化随机森林算法来对每一组数据进行训练。最后，针对不同的天气条件，使用不同的模型，可以极大地改善预测的效果。

尽管以上方法都可以有效地进行光伏发电功率的预测，但在实际问题中，由于样本数据的处理过程比较繁琐，同时也不可避免地会产生单一预测模型容易陷入极值的问题，所以，为了有效地解决这一问题，需要采用组合式的方法。谭小钰等[12]在考虑到多个气象因子对光伏发电功率的影响，利用深度置信网络与T-S(Takegi-Sugeno)模糊模型相结合的时变加权组合预测模型，实现了对光伏发电功率的超短时预测。针对单个预测模型的时变波动性，利用遗传算法在各个时间点为组合模型赋予加权系数，并对其进行了分析。

以上许多文献在光伏功率短期预测方面都取得了比较不错的效果，但由于在进行预测的时候，有种种的不确定性因素，比如在预测前获取气象信息、预测光伏发电功率过程中和预测的变量光伏功率等都存在很多不确定性，因此实际应用中还有提升的空间。各类预测方法虽无法精准预测，但都有部分有效信息。如果能够利用多种多样的方法模型来获取多方面的信息并加以充分使用，则可以有效降低特定的不确定所带来的数据误差。

1.3论文主要内容

鉴于当前光伏功率短期预测的重要性，在查阅了许多文献资料的基础上，本文采用循环神经网络与长短记忆期网络相结合的方法来实现光伏发电的短期预测。具体章节安排如下：

第一章：绪论。首先，对选题的背景及意义进行了介绍，并对国内外光伏发电功率预测的发展状况及发展趋势进行了分析，然后对论文的主要内容及章节进行了简单的介绍；

第二章：首先了解了光伏发电的原理和影响输出功率的因素，然后分别去分析了辐照度和温度两种因素对光伏功率的影响，并通过皮尔逊（Pearson）相关系数分析法进一步确认了这种影响关系，最后给出了衡量光伏发电预测精度的性能指标；

第三章：分别使用相似日和DELM两种方法进行光伏功率预测。首先对循环神经网络相似日的模型结构进行介绍，并基于某光伏电站的数据进行预测；分别介绍了两种模型的原理和结构，然后使用所选择的相关数据，分别使用循环神经网络相似日和长短期记忆DELM两种模型进行模拟和仿真，对比哪一种模型更好。

第四章：算法实现和仿真验证。

第五章，总结与展望。

第2章 光伏发电的原理及输出功率的影响因素

本章首先对光伏电池的工作原理、光伏系统的的构成进行了介绍。并使用辐照度以及温度两种因素分别对光伏功率的影响效果进行分析。

2.1 光伏电池工作原理

光伏电池是利用光电效应将太阳光转化为电能的装置。光伏电池，也称为太阳能电池，是一种将太阳光能直接转换为电能的装置。其工作原理基于光伏效应，即当太阳光照射在光伏电池上时，光子与电池内部的半导体材料相互作用，导致电子从原子中释放出来，形成光生电流。

光伏电池通常由几个主要部分组成：透明导电层、N型半导体（通常是硅基材料）、P型半导体、背接触层和金属电极。这些部分共同构成了一个光电器件，能够将光能转化为电能。当太阳光照射在光伏电池上时，光子携带的能量与电池内部的半导体材料相互作用。如果光子的能量足够大，它可以将半导体中的电子从价带激发到导带，从而在半导体内部产生电子-空穴对。这些光生载流子（电子和空穴）随后被光伏电池内部的电场分离，电子流向N型区域，而空穴流向P型区域，从而在电池的两端形成电势差，即光生电压。

在光伏电池内部，由于P-N结的存在，形成了一个内置电场。这个电场的作用是将光生电子和空穴分别推向电池的两端，从而实现电荷的分离。电子通过N型半导体流向电池的负极，而空穴通过P型半导体流向电池的正极。这样，当光伏电池与外部电路连接时，就形成了一个电流回路，从而产生了电能。

光伏电池的性能通常通过几个关键参数来评估，包括开路电压（Voc）、短路电流（Isc）、填充因子（FF）和转换效率（η）。转换效率是光伏电池最重要的性能指标之一，它表示光伏电池将太阳光能转化为电能的效率。高效的光伏电池需要具备高的Voc、Isc和FF，以实现高的能量转换效率。

光伏电池的工作原理基于光伏效应，通过太阳光与半导体材料的相互作用，将光能转化为电能。这一过程涉及光子的吸收、电子的激发与分离，以及电荷的收集与输出。高效的光伏电池需要具备优秀的材料性能和结构设计，以实现高的能量转换效率和长期稳定性。随着材料科学和工程技术的不断进步，光伏电池在可再生能源领域的应用前景十分广阔。光伏电池由多个半导体层组成，其中最常用的半导体是硅。图2-1为光伏电池的结构图。

 

图2.1光伏电池结构图

光伏电池的工作原理：当光伏电池的半导体层被阳光照射时，半导体中的电子被太阳中的光子激发出来。这些被激发的电子会从半导体的价带跃迁到导带中，形成自由电子。这些自由电子会在电场的作用下，从电池的负极流向正极，产生电流。

2.2 光伏发电系统的组成

光伏发电系统的主要部件由光伏电池板、控制器、逆变器等一系列设备组成。它有并网光伏发电和独立光伏发电两种方式。

并网光伏发电系统：

并网光伏发电系统作为当今可再生能源领域的研究热点，其背景显得尤为重要。随着全球能源需求的持续增长，传统化石能源的日益枯竭及其所带来的环境污染问题，使得人们迫切需要寻找可持续、清洁的替代能源。光伏发电作为一种无污染、可再生的能源转换技术，逐渐成为绿色能源革命的重要组成部分。并网光伏发电系统可以直接将光能转换为电能并入电网，为现代电力系统提供稳定、可靠的清洁能源。此外，随着光伏技术的不断进步和成本的不断降低，并网光伏发电系统的经济性和竞争力逐渐增强，成为未来能源发展的重要方向。因此，研究并网光伏发电系统的关键技术、性能优化及其与电力系统的融合，对于推动可再生能源发展、实现可持续发展目标具有重要意义。并网光伏发电系统如图2-2所示。当光伏电池板接受到阳光时，其内部的半导体界面的光生伏特效进行转换成低压直流电，通过汇流器汇流形成直流母线，然后该电能再经逆变器转换成交流电。它可以将一部分经变压器升压后输送给电网，另一部分通过交流配电箱直接供给交流负载。

 

图2.2并网光伏发电系统

独立光伏发电系统：

独立光伏发电系统一般用于电网不能为其提供电能的地区，由于自身的特点，一般都需要配置一定容量的电池组来确保其正常运转。

光伏电池板接受太阳光并把它转化成直流电。在控制器的控制下，该电源可以直接提供给直流负荷，也可以由逆变器转换成交流负荷。剩余的电力也可以提供给电池储存。当电力供应不足时，电池能够将存储的电力释放出来。

2.3 辐照度对光伏输出功率的影响

光伏电池的出力程度，在很大程度上是由光伏阵列单位时间内接受的太阳辐照度的强弱所决定的，太阳辐射强度越大，光伏电站系统输出功率就越大。光伏阵列能接收到多少的辐射量和太阳位置的高度、光伏电站所在的地理位置、当地的空气质量等一系列因素都有关系。[13]

本文以2019年06月24日早上7：00至下午17；00（日落后至日出前辐照强度为0且无功率输出，这里不作介绍）光伏电站的辐照强度和光伏输出功率为例进行说明。7：00点~17：00点的辐照度和光伏输出功率曲线如图2-3所示。

图2.3辐照度与光伏输出功率趋势

由于变量的量纲不同，不要数据由于单位的差异而代表的数值相差很大，从图2-4中无法非常直观观察出光伏输出功率和辐照度的之间的关系。为了进一步进行说明，特对数据进行归一化处理。

归一化公式见式（2.1）所示。

     x,=x-xminxmax-xmin                            

                      （2.1）

式中，

x

：待归一化的数据；

xmin

：待归一化数据x中的最小值；

xmax

：待归一化数据x中的最大值；

x,

：归一化后的数据。

数据进行归一化处理以后，其辐照度与光伏输出功率关系如图2-4所示。

图2.4归一化后的辐照度-光伏输出功率趋势图

由图2-4可以看出，辐照度与光伏输出功率具有很大的相关度。上午9：0点0之前，由于光照柔和，光伏输出功率；随着时间的推移，光线越来越强，辐照度增大，光伏输出功率增长明显；11：30点~13：30点之间，尽管辐照度可能受一些气象因素影响有所波动，但光伏输出功率维持在最大值；下午后光伏输出功率随着辐照度的降低而有所变化。

2.4 温度对光伏输出功率的影响

一般来说，环境温度越高，意味着光照越充足，太阳辐照度越大，光伏电站输出功率也越高。但当工作温度超过了太阳能电池理想的工作范围后，温度升高会导致太阳能电池工作效率降低从而导致光伏电站输出功率波动 [14] 。为分析环境温度对功率输出的影响，绘制2019年6月24日的光伏输出功率与环境温度变化曲线未归一化和归一化的趋势曲线分别如图2-5和图2-6所示.

图2.5未归一化的光伏输出功率和环境温度的趋势图

图2.6归一化的光伏输出功率和环境温度的趋势图

由图2-6和2-7所示，当温度升高时，光伏电站输出功率会随之增大，二者基本呈现正相关的特性，但当温度升高到峰值时，光伏电站的输出功率会开始下降，这是由于当温度过高时，会导致光伏电池光电转换效率降低。

2.5 基于皮尔逊相关系数分析因素相关度

通过绘制曲线分别对温度和辐照度与光伏功率进行相关性分析，可能会有所误差，为进一步明确，本文使用皮尔逊系数法分别去分析环境温度与光伏功率以及辐照度与光伏功率的关系，去研究辐照度和环境温度对光伏发电功率的影响，气象因素互相之间的相关度，进而得到影响程度最大的关键因素是什么。

选择使用皮尔逊（Pearson）相关系数去分别分析各个因素相关度，公式如下：

r=∑v-νy-y∑v-v2Σy-y2               

                   (2-2)

式中，v

:光伏输出功率；

      v

: 某组光伏输出功率平均值；

y

:某气象因素变量

y

:[F1] 某气象因素变量平均值

R:皮尔逊相关系数，当0≤r＜0.2时，其为弱相关甚至不相关；当0.2≤r＜0.4，其为弱相关；当0.4≤r＜0.6，其为中等强度相关;当0.6≤r＜0.8，其为较强相关；当0.8≤r≤1.0，则为强相关。通过计算可得辐照度的Pearson相关系数为0.988；而温度的Pearson相关系数为0.91；所以温度和辐照度均为强相关，判断出辐照度和温度的确是光伏出力最重要的两个影响因素。故本文选取温度和辐照度为光伏功率预测的输入量。

2.6 发电预测的性能指标

预测模型的性能会影响光伏功率预测的准确性。为衡量预测模型的优劣，须引入预测精度的指标进行评价。

1.均方误差（MSE）

均方误差（MSE）计算公式为：

MSE=1ni=1nyi-yi

                                （2-3）

2.均方根误差（RMSE）

均方根误差（RMSE）公式为：

                                RMSE=1ni=1nyi-yi2

                            （2-4）

3.平均偏差误差（MBE）

平均偏差误差（MBE）公式为：

MBE=1ni=1n(yi-yi

)                        （2-6）

在式（2-3）~（2-6）中

yi

：实际值；

yi

：预测值；

n

:[F2]   样本数量。

其中MSE和MAE的值越靠近0，则模型预测结果越精准。均方根误差将计算、模拟出来的模型和以均值为依据的模型做出二者之间准确性的比率，MBE相对于MAE它没有绝对值，它可以验证出模型是正偏差还是负偏差。

2.7 本章小结

本章阐述了光伏发电的基本原理，通过使用站内记录的气象与发电功率的历史数据，对功率输出的具体影响因素进行分析。选取太阳辐照度和环境温度作为后续的输入数据，以此作为光伏功率短期预测模型的自变量输入。最后还分别阐述了原始数据的预处理方法和预测精度的评价指标

第3章 算法分析

3.1 DELM算法

‎‏ELM相比于传统 BP 神经网络、支持向量机等，算法结构更简单。通过对 ELM 输入权重和隐含层数进行设置，随机产生权重和阈值初值，然后利用最小二乘法获得最优权重值及阈值。ELM 算法学习速度更快，且对非平稳信号的处理性能更强，其算法结构如图3-1所示。

图3.1 DELM结构示意图

3.2 鲸鱼优化算法WOA

WOA（Whale Optimization Algorithm）是一种模拟鲸鱼狩猎行为的群体智能优化算法。其核心步骤包括：

初始化鲸鱼种群：在搜索空间中随机生成一组鲸鱼的位置作为初始种群。

定义搜索代理：将鲸鱼分为领导者（Leader）和追随者（Follower），领导者负责探索新区域，追随者则跟随领导者进行搜索。

更新位置与速度：根据鲸鱼的狩猎策略，如包围猎物、冒泡网攻击等，更新鲸鱼的位置和速度。其中，位置更新是关键，涉及搜索方向的调整和搜索深度的探索。

评估与优化：计算每只鲸鱼的位置对应的目标函数值，选择最优位置作为当前最优解。根据评估结果调整鲸鱼的位置和速度，以实现全局搜索与局部开发的平衡。

迭代更新：重复步骤3和4，直到满足终止条件（如达到最大迭代次数或找到满意解）。

WOA通过模拟鲸鱼的狩猎行为，实现了高效的全局搜索和局部开发，为解决复杂优化问题提供了新的途径。

3.3 相似日理论概述

应用相似日法时，首先要找到能够表征相似日的特征量，即主要影响光伏光伏出力的因素；然后依据某种相似度评价标准选出与预测日相近的若干历史日；最后，依据相似日的相关数据完成预测日的输出功率预测。利用相似日法进行光伏出力预测时主要可分为以下两步

(1) 相似日选取

为选出与预测日光伏输出功率相近的相似日集合，首先需要分析光伏出力特性，从中得出影响光伏出力的主要因素构成评估相似度的特征向量，本文第二章已对相关因素包括天气类型、太阳辐照度、温度、湿度等做了详细的分析；确定特征向量后，选择合适的相似度评估函数计算各历史日与预测日的相似程度，得出具有高相似度的相似日集合。

(2) 光伏出力预测

将上述得到的相似日数据集合作为预测模型的训练样本，训练完成后，可用于预测日输出功率的预测。

第4章 基于相似日理论和WOA-DELM短期光伏功率预测

4.1 春季光伏功率预测

本文以15分钟为时间间隔，选取3月15日到4月15日共32天，3072组数据开展春季光伏功率预测研究。其中前2457组数据作为训练组，后615组数据作为测试组。分别使用相似日以及WOA-DELM两种预测模型对春季光伏功率进行预测。双方的测试集预测结果为图4-1和图4-2，评价指标见表4-1。

图4.1基于相似日的光伏功率预测测试趋势图

图4.2基于WOA-DELM的光伏功率预测测试趋势图

表4-1  相似日和WOA-DELM的评价指标
预测模型	平均绝对误差（MAE）%	均方误差（MSE）%	均方根误差（RMSE）%	平均偏差误差（MBE）%
相似日	2.9767	22.0342	4.6941	2.1052
WOA-DELM	0.96636	3.0554	1.748	0.0026408

从图4-1和图4-2可以看出，相似日模型在部分点（0到50点以及一些最高点）的拟合效果不如WOA-DELM模型。从表4-1的各种技术指标数据我们进一步可以知道相似日的平均绝对误差（MAE）比WOA-DELM的大了2.01034%，均方误差（MSE）大了18.9788%，均方根误差（RMSE）大了2.9461%，平均偏差误差（MBE）大了2.10255%。可以看出在夏季WOA-DELM模型效果好于相似日模型。

4.2 夏季光伏功率预测

本文以15分钟为时间间隔，选取3月15日到4月15日共32天，3072组数据开展夏季光伏功率预测研究。其中前2457组数据作为训练组，后615组数据作为测试组。分别使用相似日以及WOA-DELM两种预测模型对春季光伏功率进行预测。双方的测试集预测结果为图4-3和图4-4。

图4.3 基于相似日的光伏功率预测测试趋势图

图4.4 基于WOA-DELM的光伏功率预测测试趋势图

4.3秋冬光伏功率预测

本同样以15分钟为时间间隔，选取10月1日到10月31日共31天，2976组数据开展夏季光伏功率预测研究。其中前2380组数据作为训练组，后596组数据作为测试组。分别使用相似日以及WOA-DELM两种预测模型对秋季光伏功率进行预测。双方的测试集预测结果为图4-5和图4-6，评价指标见表4-3。

图4.5 基于相似日的光伏功率预测测试趋势图

图4.6 基于WOA-DELM的光伏功率预测测试趋势图

从图4-5和图4-6可以看出，看出相似日模型这次的拟合效果还是不错的，只在0-50点效果差的比较厉害，以及一些最低点和最高点不是很好。而WOA-DELM非常好的完成模拟

4.4本章小结

影响光伏的因素可能因为季节的变化所受到的影响较大，因此本文分别在春、夏、秋、冬四个季节中选取一个月同时使用相似日和WOA-DELM两种模型分别进行光伏功率预测研究。通过实验可得两种模型在四个季节的模拟效果都不错，但是WOA-DELM在一些关键点的处理上要好于相似日，比如在开始的0到50点以及一些最高点和最低点相似日拟合效果不如WOA-DELM的效果。总之WOA-DELM模型确实要比相似日模型更准确，更优秀。

第5章 结论和展望

5.1 结论

本文主要基于辐照度和温度对短期光伏功率进行预测。分别使用相似日循环神经网络和DELM中长期记忆网络两种模型对光伏功率进行模拟分析和研究。主要工作归纳如下：

（1）首先明白了光伏电池的工作原理，并进一步去了解了光伏系统的组成。

（2）选取某光伏电站一天的数据，以绘图形式说明光伏发电功率与辐照度和温度的相关关系，然后进一步基于皮尔逊相关系数分析方法进行验证。

（3）介绍了循环神经网络相似日网络结构以及长短期记忆神经网络DELM的网络结构。并且分别用两种模型去模拟和分析，得到预测结果。通过预测结果表明DELM预测模型的效果要比相似日好一些，说明DELM比相似日更先进。

（4）分别从春夏秋冬四季中各选择一个月开展基于相似日和DELM预测模型的预测研究，预测结果同样证明了无论什么季节，DELM预测的整体效果都强于相似日，更能体现DELM的优越性。

5.2展望

下一步希望在下面几个方面开展研究。

（1）除辐照度和温度之外，还有其他气象因素和非气象因素都会影响光伏功率的预测，在今后的工作中，将在光伏功率的预测中考虑地理位置、光伏太阳能板的具体放置形式等更多的因素；

（2）进一步优选预测模型和算法，以提高光伏功率预测精度；

参考文献

[1]    韩超杰.光伏发电系统功率预测方法的研究[D].华北水利水电大学,2021.

[2]    姜文玲， 赵艳青，王勃等. 基于NWP辐照度斜面转换的光伏功率预测方法[J/OL].山东大学学报

[3]    万灿，宋永华.新能源电力系统概率预测理论与方法及其应用[J].电力系统自动化，2021，45(01)：2-16.

[4]    朱东垣 光伏电站短期发电功率预测方法研究。[沈阳农业大学工学硕士论文].沈阳.沈阳农业大学，2022

[5]   陈涛.基于学习机制的光伏功率短期预测方法研究[D].无锡:江南大学, 2022

[6]    郝倩男.基于改进神经网络的光伏发电功率预测研究[D].南京邮电大学,2021

[7]    周楠,徐潇源,严正,陆建宇,李亚平.基于宽度学习系统的光伏发电功率超短期预测[J]。电力系统自动化. 2021(01)

[8]    刘博洋，潘宇，许伯阳．基于改进灰色神经网络组合模型的光伏电站短期出力预测[J]．广东电力，2017，30(4}:55－60．

[9]    Han S, Qiao Y, Yan J, et al. Mid-to-long term wind and photovoltaic power generation prediction based  on copula function and long short term memory network[J]. Applied energy, 2019, 239: 181-191.

[10]   宋绍剑,李博涵.基于DELM网络的光伏发电功率短期预测方法的研究[J].可再生能源，2021,39(05) :594-602.

[11]   王小杨, 罗多, 孙韵琳, 等. 基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究[J].太阳能学报, 2020, 41(3): 177-183.

[12]   谭小钰, 刘芳, 马俊杰, 等. 基于DBN与T-S时变权重组合的光伏功率超短期预测模型 太阳能学报, 2021, 42(10): 42-48.

[13]   栗然,丁星,孙帆,等.基于Wide&Deep-XGB2DELM模型的超短期光伏功率预测[J/OL].电力自动化设备,2021,03(15):37-40.

[14]   高赵亮. 基于FCM和CG-DBN光伏输出功率短期组合预测的研究[D]. 江苏大学, 2019.

[15]   仇琦, 杨兰, 丁旭, 等. 基于改进EMD-ARIMA的光伏发电系统短期功率预测[J]. 电力科学与工程, 2020, 36（08）: 42-50.

[16]   王志远,王守相,陈海文,等.考虑空间相关性采用DELM神经网络的光伏出力短期预测方法[J].电力系统及其自动化学报,2020,32(05):78-85.

[17]   张一平,宋红,罗敏,等.人工神经网络算法在光伏发电短期功率预测中的应用[J].太阳能,2019(04):

[18]   叶林，裴铭，路朋，等．基于天气分型的短期光伏功率组合预测方法[J]．电力系统自动化，20:451：44－54.

致   谢

在完成这篇论文的过程中，我要向培养、帮助、支持和鼓励过我的老师、同学、家人和朋友表示衷心的感谢和忠诚的祝愿！ 首先，本论文是在我的老师的精心指导下完成的。我的老师对正向选择的问题非常重视。老师花了很多精力来制定要点，完成初稿，修改并通过提出所有问题来完成。老师的耐心给了我很多启发，我从老师的教学中受益良多。在此，我衷心感谢在我学习期间指导过我的讲师们，他们的指导和帮助为我完成这篇论文奠定了良好的专业基础。我想对我的同学和朋友们表示衷心的感谢，感谢他们一起度过的难忘岁月和我们建立的永恒友谊。我想感谢你在发展这项工作中的无私帮助。最后，我要感谢我的家人的全力支持，他们给了我很多，他们在生活和精神上的支持对我顺利完成学业是至关重要的！我有许多导师和朋友，他们在我的学习中鼓励和帮助我，但我不能在此一一列举。我还想借此机会表达我真诚的感谢。

---

补充

补充