基于DPK-means和ELM的日前光伏发电功率预测

发布时间：2021-02-08 21:03

　　日前光伏发电功率预测是电网经济调度的重要依据。针对K均值（K-means）聚类算法初始聚类中心和聚类数目不易确定的问题和传统神经网络训练参数较多、易陷入局部最优等缺陷,构建了DPK-means和极限学习机（extreme learning machine,ELM）的组合预测算法实现日前光伏发电功率的预测模型。首先,采用密度峰值法（density peaks clustering,DPC）对K-means聚类进行优化,解决了Kmeans算法初始聚类中心和聚类数目不易确定的问题。然后,在利用DPK-means算法对历史气象数据样本聚类分析的基础上,建立ELM预测模型实现日前光伏发电功率的预测。经实测数据验证可知,所提出的组合预测算法可得到较好的预测结果,具有较强的实用性。 

【文章来源】：现代电力. 2020,37(04)北大核心

【文章页数】：7 页

【部分图文】：

极限学习机结构

3）输入待预测日的小时级气象数据，通过计算其与各聚类中心的距离来确定待预测日的气象类型，将对应气象类型样本集作为极限学习机预测训练样本，并在对应类别样本集得到待预测日的辐照度值；4）将确定的预测训练样本输入极限学习机，把样本划分为训练数据和测试数据，根据测试结果确定极限学习机的拓扑结构。

决策图

【参考文献】：
期刊论文
[1]基于Kmeans-SVM的短期光伏发电功率预测[J]. 张雨金,杨凌帆,葛双冶,周杭霞.  电力系统保护与控制. 2018(21)
[2]基于相似时段的分时段光伏出力短期预测[J]. 李建文,焦衡,刘凤梧,王雪莹.  电力自动化设备. 2018(08)
[3]基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测[J]. 殷豪,曾云,孟安波,杨跞.  电网技术. 2018(05)
[4]基于核极限学习机误差预测修正的变压器顶层油温预测[J]. 李可军,亓孝武,魏本刚,黄华,王景山,张俊.  高电压技术. 2017(12)
[5]基于样本扩张灰色关联分析的光伏出力预测[J]. 陈中,宗鹏鹏.  太阳能学报. 2017(11)
[6]基于密度峰值层次聚类的短期光伏功率预测模型[J]. 程启明,张强,程尹曼,褚思远,杨小龙.  高电压技术. 2017(04)
[7]适用于小样本的神经网络光伏预测方法[J]. 张程熠,唐雅洁,李永杰,高强,江全元.  电力自动化设备. 2017(01)
[8]基于相似时刻的光伏出力概率分布估计方法[J]. 程泽,刘冲,刘力.  电网技术. 2017(02)
[9]基于萤火虫算法?广义回归神经网络的光伏发电功率组合预测[J]. 王昕,黄柯,郑益慧,李立学,邵凤鹏,贾立凯,徐清山.  电网技术. 2017(02)
[10]基于近邻传播聚类和回声状态网络的光伏预测[J]. 李乐,刘天琪.  电力自动化设备. 2016(07)



本文编号：3024529