提出一種基于密度峰值聚類和廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network,GRNN)的光伏發(fā)電功率短期預(yù)測(cè)方法。首先分析氣象因素特征,計(jì)算統(tǒng)計(jì)指標(biāo)構(gòu)成天氣特征向量;其次,為克服傳統(tǒng)K均值聚類算法易陷入局部最優(yōu),需人為指定聚類中心等問(wèn)題,采用密度峰值聚類算法對(duì)歷史氣象數(shù)據(jù)聚類識(shí)別;最終針對(duì)每一類簇構(gòu)建GRNN預(yù)測(cè)模型。仿真結(jié)果表明,該文所述方法具有較高的預(yù)測(cè)精度,且在小樣本環(huán)境下仍有良好的適用性。 

【文章來(lái)源】：太陽(yáng)能學(xué)報(bào). 2020年09期 第184-190頁(yè) 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
0 引言
1 數(shù)據(jù)預(yù)處理及分析
    1.1 數(shù)據(jù)集預(yù)處理
    1.2 出力數(shù)據(jù)分析
2 天氣特征向量的構(gòu)造
3 密度峰值聚類算法
    3.1 算法原理
    3.2 聚類算法的實(shí)現(xiàn)
        3.2.1 距離dij的選取
        3.2.2 截?cái)嗑嚯xdc的選取
    3.3 聚類決策圖分析
4 廣義回歸神經(jīng)網(wǎng)絡(luò)
    4.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    4.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練
        4.2.1 K折交叉驗(yàn)證
        4.2.2 SPREAD的最優(yōu)值選擇
        4.2.3 實(shí)例驗(yàn)證
5 預(yù)測(cè)結(jié)果分析與模型對(duì)比
    5.1 預(yù)測(cè)結(jié)果分析
    5.2 預(yù)測(cè)模型對(duì)比
6 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)挖掘的光伏陣列發(fā)電預(yù)測(cè)方法研究[J]. 程澤,李思宇,韓麗潔,蔣春曉.  太陽(yáng)能學(xué)報(bào). 2017(03)
[2]基于相似樣本及PCA的光伏輸出功率預(yù)測(cè)[J]. 廖衛(wèi)強(qiáng),張認(rèn)成,俞萬(wàn)能,王國(guó)玲.  太陽(yáng)能學(xué)報(bào). 2016(09)
[3]光伏功率預(yù)測(cè)技術(shù)[J]. 龔鶯飛,魯宗相,喬穎,王強(qiáng).  電力系統(tǒng)自動(dòng)化. 2016(04)
[4]基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)[J]. 劉興杰,岑添云,鄭文書,米增強(qiáng).  中國(guó)電機(jī)工程學(xué)報(bào). 2014(19)
[5]計(jì)及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測(cè)[J]. 袁曉玲,施俊華,徐杰彥.  中國(guó)電機(jī)工程學(xué)報(bào). 2013(34)
[6]考慮陰影影響的光伏陣列仿真算法研究[J]. 戚軍,張曉峰,張有兵,周文委.  中國(guó)電機(jī)工程學(xué)報(bào). 2012(32)
[7]基于神經(jīng)網(wǎng)絡(luò)與關(guān)聯(lián)數(shù)據(jù)的光伏電站發(fā)電功率預(yù)測(cè)方法[J]. 王飛,米增強(qiáng),楊奇遜,趙洪山.  太陽(yáng)能學(xué)報(bào). 2012(07)
[8]基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)方法[J]. 丁明,徐寧舟.  電網(wǎng)技術(shù). 2011(01)



本文編號(hào)：2907568