日前光伏發(fā)電功率預(yù)測是電網(wǎng)經(jīng)濟(jì)調(diào)度的重要依據(jù)。針對K均值（K-means）聚類算法初始聚類中心和聚類數(shù)目不易確定的問題和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)較多、易陷入局部最優(yōu)等缺陷,構(gòu)建了DPK-means和極限學(xué)習(xí)機(jī)（extreme learning machine,ELM）的組合預(yù)測算法實現(xiàn)日前光伏發(fā)電功率的預(yù)測模型。首先,采用密度峰值法（density peaks clustering,DPC）對K-means聚類進(jìn)行優(yōu)化,解決了Kmeans算法初始聚類中心和聚類數(shù)目不易確定的問題。然后,在利用DPK-means算法對歷史氣象數(shù)據(jù)樣本聚類分析的基礎(chǔ)上,建立ELM預(yù)測模型實現(xiàn)日前光伏發(fā)電功率的預(yù)測。經(jīng)實測數(shù)據(jù)驗證可知,所提出的組合預(yù)測算法可得到較好的預(yù)測結(jié)果,具有較強(qiáng)的實用性。 

【文章來源】：現(xiàn)代電力. 2020,37(04)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

極限學(xué)習(xí)機(jī)結(jié)構(gòu)

3）輸入待預(yù)測日的小時級氣象數(shù)據(jù)，通過計算其與各聚類中心的距離來確定待預(yù)測日的氣象類型，將對應(yīng)氣象類型樣本集作為極限學(xué)習(xí)機(jī)預(yù)測訓(xùn)練樣本，并在對應(yīng)類別樣本集得到待預(yù)測日的輻照度值；4）將確定的預(yù)測訓(xùn)練樣本輸入極限學(xué)習(xí)機(jī)，把樣本劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，根據(jù)測試結(jié)果確定極限學(xué)習(xí)機(jī)的拓?fù)浣Y(jié)構(gòu)。

決策圖

【參考文獻(xiàn)】：
期刊論文
[1]基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測[J]. 張雨金,楊凌帆,葛雙冶,周杭霞.  電力系統(tǒng)保護(hù)與控制. 2018(21)
[2]基于相似時段的分時段光伏出力短期預(yù)測[J]. 李建文,焦衡,劉鳳梧,王雪瑩.  電力自動化設(shè)備. 2018(08)
[3]基于奇異譜分析-模糊信息�；蜆O限學(xué)習(xí)機(jī)的風(fēng)速多步區(qū)間預(yù)測[J]. 殷豪,曾云,孟安波,楊躒.  電網(wǎng)技術(shù). 2018(05)
[4]基于核極限學(xué)習(xí)機(jī)誤差預(yù)測修正的變壓器頂層油溫預(yù)測[J]. 李可軍,亓孝武,魏本剛,黃華,王景山,張俊.  高電壓技術(shù). 2017(12)
[5]基于樣本擴(kuò)張灰色關(guān)聯(lián)分析的光伏出力預(yù)測[J]. 陳中,宗鵬鵬.  太陽能學(xué)報. 2017(11)
[6]基于密度峰值層次聚類的短期光伏功率預(yù)測模型[J]. 程啟明,張強(qiáng),程尹曼,褚思遠(yuǎn),楊小龍.  高電壓技術(shù). 2017(04)
[7]適用于小樣本的神經(jīng)網(wǎng)絡(luò)光伏預(yù)測方法[J]. 張程熠,唐雅潔,李永杰,高強(qiáng),江全元.  電力自動化設(shè)備. 2017(01)
[8]基于相似時刻的光伏出力概率分布估計方法[J]. 程澤,劉沖,劉力.  電網(wǎng)技術(shù). 2017(02)
[9]基于螢火蟲算法?廣義回歸神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率組合預(yù)測[J]. 王昕,黃柯,鄭益慧,李立學(xué),邵鳳鵬,賈立凱,徐清山.  電網(wǎng)技術(shù). 2017(02)
[10]基于近鄰傳播聚類和回聲狀態(tài)網(wǎng)絡(luò)的光伏預(yù)測[J]. 李樂,劉天琪.  電力自動化設(shè)備. 2016(07)



本文編號：3024529