基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法

发布时间：2020-12-09 22:20

　　提出一种基于密度峰值聚类和广义回归神经网络(general regression neural network,GRNN)的光伏发电功率短期预测方法。首先分析气象因素特征,计算统计指标构成天气特征向量;其次,为克服传统K均值聚类算法易陷入局部最优,需人为指定聚类中心等问题,采用密度峰值聚类算法对历史气象数据聚类识别;最终针对每一类簇构建GRNN预测模型。仿真结果表明,该文所述方法具有较高的预测精度,且在小样本环境下仍有良好的适用性。 

【文章来源】：太阳能学报. 2020年09期 第184-190页 北大核心

【文章页数】：7 页

【文章目录】：
0 引言
1 数据预处理及分析
    1.1 数据集预处理
    1.2 出力数据分析
2 天气特征向量的构造
3 密度峰值聚类算法
    3.1 算法原理
    3.2 聚类算法的实现
        3.2.1 距离dij的选取
        3.2.2 截断距离dc的选取
    3.3 聚类决策图分析
4 广义回归神经网络
    4.1 神经网络结构
    4.2 神经网络训练
        4.2.1 K折交叉验证
        4.2.2 SPREAD的最优值选择
        4.2.3 实例验证
5 预测结果分析与模型对比
    5.1 预测结果分析
    5.2 预测模型对比
6 结论


【参考文献】：
期刊论文
[1]基于数据挖掘的光伏阵列发电预测方法研究[J]. 程泽,李思宇,韩丽洁,蒋春晓.  太阳能学报. 2017(03)
[2]基于相似样本及PCA的光伏输出功率预测[J]. 廖卫强,张认成,俞万能,王国玲.  太阳能学报. 2016(09)
[3]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强.  电力系统自动化. 2016(04)
[4]基于模糊粗糙集与改进聚类的神经网络风速预测[J]. 刘兴杰,岑添云,郑文书,米增强.  中国电机工程学报. 2014(19)
[5]计及天气类型指数的光伏发电短期出力预测[J]. 袁晓玲,施俊华,徐杰彦.  中国电机工程学报. 2013(34)
[6]考虑阴影影响的光伏阵列仿真算法研究[J]. 戚军,张晓峰,张有兵,周文委.  中国电机工程学报. 2012(32)
[7]基于神经网络与关联数据的光伏电站发电功率预测方法[J]. 王飞,米增强,杨奇逊,赵洪山.  太阳能学报. 2012(07)
[8]基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 丁明,徐宁舟.  电网技术. 2011(01)



本文编号：2907568