為進(jìn)一步有效提升光伏發(fā)電功率的預(yù)測精度,提出一種基于熵理論和改進(jìn)極限學(xué)習(xí)機（extreme learning machine,ELM）的光伏發(fā)電功率預(yù)測方法。分析光伏發(fā)電功率的主要影響因素,從熵理論角度出發(fā),綜合考慮距離熵和灰關(guān)聯(lián)熵,提出以綜合指標(biāo)選取相似日;以極限學(xué)習(xí)機學(xué)習(xí)速度快和泛化能力強的特點為基礎(chǔ),采用L-M（Levenberg-Marquardt）算法修正極限學(xué)習(xí)機模型參數(shù),獲得模型最優(yōu)網(wǎng)絡(luò),提高模型的預(yù)測精度。算例結(jié)果表明,所提方法可有效提高光伏發(fā)電預(yù)測精度,預(yù)測性能更佳。 

【文章來源】：太陽能學(xué)報. 2020,41(10)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

L-M算法優(yōu)化流程圖

為確保所選取出相似日樣本合理且有效，這里采用傳統(tǒng)樣本選取法來進(jìn)行比對驗證，預(yù)測模型均采用未經(jīng)改進(jìn)的ELM，預(yù)測結(jié)果如圖2。表4為不同相似日選取法的誤差對比。由表4可知，本文所提相似樣本選取法綜合考慮距離熵和灰關(guān)聯(lián)熵，更好地融合影響光伏發(fā)電功率的不確定性因素。因此，所選取的相似日樣本更優(yōu)，預(yù)測精度更高。

由圖3和表5可看出：1)3種天氣類型下，采用L-M算法改進(jìn)的ELM預(yù)測模型的預(yù)測效果較理想，預(yù)測結(jié)果較接近實際光伏發(fā)電功率值；2）由于陰天和雨天時，天氣變化情況較為復(fù)雜，氣象因素波動性較大，因此各模型預(yù)測精度均不高；3）相比較而言，在3種天氣情況下，改進(jìn)的ELM模型優(yōu)化了模型網(wǎng)絡(luò)的權(quán)值和偏差向量，從而能保持較好的預(yù)測性能，在3種預(yù)測模型中預(yù)測精度也最高。圖3 不同日期和氣象類型的預(yù)測結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于樣本雙重篩選的光伏發(fā)電功率預(yù)測[J]. 冬雷,周曉,郝穎,廖曉鐘,高陽.  太陽能學(xué)報. 2018(04)
[2]基于改進(jìn)相似日和ABC-SVM的光伏電站功率預(yù)測[J]. 葛樂,陸文偉,袁曉冬,周前.  太陽能學(xué)報. 2018(03)
[3]基于EMD-LMD-LSSVM聯(lián)合模型的逐時太陽輻照度預(yù)測[J]. 田翠霞,黃敏,朱啟兵.  太陽能學(xué)報. 2018(02)
[4]基于灰色關(guān)聯(lián)理論與經(jīng)驗?zāi)B(tài)分解的光伏出力超短期預(yù)測[J]. 索春梅,孫健,張宗峰,王賢宗.  中國電力. 2017(12)
[5]兩級式光伏發(fā)電系統(tǒng)低電壓穿越控制策略研究[J]. 郭勇,李勇,皇甫星星,丁勇,石祥建,劉為群.  電力工程技術(shù). 2017(06)
[6]分布式光伏并網(wǎng)電壓和功率因數(shù)協(xié)調(diào)控制策略[J]. 趙偉然,汪海蛟,李光輝,何國慶,孫健.  電力工程技術(shù). 2017(06)
[7]基于距離熵優(yōu)化HHM-ISM的大型水電項目建設(shè)期風(fēng)險評價模型研究[J]. 王宏兵,鄭雪筠,李海峰.  水力發(fā)電. 2017(10)
[8]基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的飛灰含碳量測量[J]. 崔銳,劉國棟,李曉江.  山西電力. 2017(03)
[9]基于相似日和CAPSO-SNN的光伏發(fā)電功率預(yù)測[J]. 陳通,孫國強,衛(wèi)志農(nóng),臧海祥,孫永輝,Kwok W Cheung,李慧杰.  電力自動化設(shè)備. 2017(03)
[10]大規(guī)模光伏發(fā)電并網(wǎng)概率潮流計算及對電網(wǎng)的影響[J]. 金楚,黎嘉明,徐沈智,文勁宇.  電力工程技術(shù). 2017(01)



本文編號：3605531