基于模糊宽度学习模型的光伏发电预测方法

发布时间：2021-07-03 11:08

　　太阳能是一种重要的清洁可再生能源,光伏发电可有效缓解现有能源危机和环境问题。然而光伏发电容易受到太阳辐射强度、温度等方面影响,具有明显的随机性和间歇性,对于大型光伏发电发展带来了挑战。本文提出基于模糊宽度学习系统（FuzzyBroad Learning System, FBLS）的光伏发电预测方法,分析模糊宽度学习模型应用于光伏预测的可行性,然后采用FBLS对输入光伏电站历史数据进行离线训练,利用训练好的模型对光伏电站实时采集气象数据进行光伏功率预测。实验结果表明,本文方法在RMSE和MAPE上均有明显降低,既能提高光伏预测精度,也能快速训练模型,解决了传统光伏预测方法复杂、模型训练时间长、网络参数多等缺点,具有明显优良的预测性能。 

【文章来源】：控制工程. 2020,27(11)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于FBLS的光伏发电预测框架Fig.2Photovoltaicpowerforecastingframeworkbasedonfuzzybroadlearningsystem

·2020·控制工程第27卷(a)FBLS对数据集1的预测结果(a)FBLSpredictionresultwithdataset1(b)FBLS对数据集2的预测结果(b)FBLSpredictionresultwithdataset2图3基于FBLS的光伏发电预测结果Fig.3PhotovoltaicpowerforecastingresultsbaseonFBLS图3分别作了数据集1的2018年12月份和数据集2的2019年7月的光伏预测。我们可以发现基于FBLS的光伏出力预测结果较为准确证明本文方法的有效性和可行性。为进一步验证本文方法在光伏功率预测问题中的有效性和优越性，我们与目前主流的支持向量

【参考文献】：
期刊论文
[1]基于深度学习的LSTM光伏预测[J]. 崔承刚,邹宇航.  上海电力学院学报. 2019(06)
[2]基于长短期记忆神经网络的风力发电功率预测方法[J]. 李相俊,许格健.  发电技术. 2019(05)
[3]一种基于双通道CNN和LSTM的短期光伏功率预测方法[J]. 简献忠,顾洪志,王如志.  电力科学与工程. 2019(05)
[4]基于支持向量机的发电量对GDP的预测[J]. 陈锦皓,郭黎,李润泽,卜慎慎.  湖北民族学院学报(自然科学版). 2019(01)
[5]基于GA-KELM的光伏短期出力预测研究[J]. 章勇高,高彦丽,马迪.  控制工程. 2018(07)
[6]光伏发电系统功率预测方法综述[J]. 李安寿,陈琦,王子才,李铁才.  电气传动. 2016(06)
[7]光伏发电功率预测方法研究综述[J]. 钱振,蔡世波,顾宇庆,童建军,鲍官军.  机电工程. 2015(05)
[8]基于BP神经网络的光伏发电功率预测模型研究[J]. 李星,晁勤,任娟,李义岩.  水力发电. 2013(07)
[9]基于极端学习机的光伏发电功率短期预测[J]. 刘士荣,李松峰,宁康红,周啸波,荣延泽.  控制工程. 2013(02)
[10]在线稀疏最小二乘支持向量机回归的研究[J]. 王定成,姜斌.  控制与决策. 2007(02)



本文编号：3262465