1. 研究目的与意义
能源是现代社会和经济发展的基石，能源问题也一直是人们密切关注的焦点问题。近年来，随着全球能源互联网和新能源技术的不断发展以及“两个替代”（清洁替代、电能替代）战略的提出，为清洁的新能源发展带来了前所未有的契机。太阳能作为最广泛、最充足的清洁能源之一，发展迅猛，潜力巨大。截止2015年底，全球光伏发电总装机容量已达到230GW，“一极一道”中“一道”就是指赤道周围的太阳能资源，预计到2050年“一极一道”所输送的能源能够满足全球能源需求的16%，其中70%来自“一道”中赤道的太阳能。因此，如何高效并高质的利用这取之不尽的太阳能成为了能源界的热点话题。光伏发电系统功率输出具有明显的非线性、间接波动性和不确定性特点，光伏发电大规模并网给电网的稳定运行带来巨大挑战,提高光伏发电功率预测水平对光伏能源并网安全具有重要意义。
2. 课题关键问题和重难点
本次课题进行的是基于双向长短期记忆网络的光伏出力预测方法研究，研究的关键难点在于如何利用双向长短期记忆网络来进行光伏出力短期预测。本次课题研究选择在单向长短期记忆网络的原理和结构上添加反向隐含层使其成为双向长短期记忆网络，利用双向长短期记忆网络的前向层和反向层分别处理分析不同天气类型过去和未来的数据信息将其整合输出，这样便可以综合考虑过去和未来的天气数据信息进行光伏出力预测，从而构建基于双向长短期记忆网络的光伏出力短期预测方法，进而将影响光伏发电的因素按天气类型分类进行模型训练，以提高光伏出力短期预测准确性。
3. 国内外研究现状（文献综述）
近年，光伏发电得到迅速发展，但其发电具有波动性和间歇性，大规模集中并网会给电网的稳定性带来冲击，危害电网安全，甚至造成严重的经济损失[1]。为此需对光伏发电量进行准确预测，实行及时有效的电力调度[2].。光伏系统的输出功率受太阳辐射、温度、湿度等诸多气象因素影响而具有显著的间歇性、波动性和不确定性，然而光伏出力预测的准确性对电力调度运行、发电计划安排极为重要。 随着分布式光伏在配电网的高比例渗透，光伏出力预测的准确性将极大影响配电网运行的稳定性、可靠性和经济性[3]。目前常用的光伏出力预测方法分为物理方法、统计方法、人工智能方法，以及这些方法的混合[4-5]。
物理方法主要有全天空图像预测方法、数值天气预报方法和卫星图像预测方法[4-6]。在天气条件比较稳定的情况下，物理模型的准确性较高，但如果天气条件有一定变化，那么物理模型的准确性将大打折扣。统计方法则基于历史数据通过将待预测的功率输出与历史功率数据相关联来预测光伏出力，其应用比物理模型更为广泛，典型的有自回归滑动平均法、时间序列分析方法等[7-8]。随着科学技术的发展，人工智能强大的学习能力在短期光伏出力预测方面卓有成效，如反向传播神经网络[9-10]、卷积神经网络[11]、时间卷积网络[12]、长短期记忆网络[13-16]、生成对抗网络以及基于几种神经网络的混合方法[17-18]。这些方法通过考虑多种气象变量对太阳辐射的作用，取得了优于传统时间序列法的预测性能[19]。其中基于长短期记忆网络(Long Short-Term Memory,简称LSTM)的模型可以有效捕捉时间序列的长期依赖关系，具有更好的光伏发电出力短期预测性能[13-16]。
长短期记忆网络是利用过去的信息来预测当前值，而双向长短期记忆网络则更进一步增加了反向隐含层，既从前向隐含层利用过去数据，又从反向隐含层利用未来数据，大大提升了预测结果的准确性[20]。而基于双向长短期记忆网络进行光伏出力短期预测，利用长短期并联的方式对长期趋势和短期趋势一同研究，则可利用传统物理模型所无法参考的天气条件变化来进行光伏出力短期预测，从而提高光伏出力短期预测的准确性，最终达到提高配电网系统的安全性、稳定性的效果。
4. 研究方案
1、了解影响光伏发电的各项因素，对光伏发电功率特性进行分析，确定预测模型的输入变量。
2、在单向长短期记忆网络的原理和结构上添加反向隐含层使其成为双向长短期记忆网络。
3、基于双向长短期记忆网络构建光伏发电预测架构，分析光伏发电预测的评价指标。
5. 工作计划
（1）查阅光伏出力预测方法、长短期记忆网络的原理概念、长短期记忆网络的模型研究相关的资料；进行文献的阅读及整理，写出文献综述，完成开题报告。
（2）根据文献理论回顾，学习光伏出力预测方法。
（3）构建基于长短期记忆网络的光伏短期出力预测模型；对光伏短期出力预测模型进行算例分析，归纳总结。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
