基于熵理论和改进ELM的光伏发电功率预测

发布时间：2022-01-24 01:09

　　为进一步有效提升光伏发电功率的预测精度,提出一种基于熵理论和改进极限学习机（extreme learning machine,ELM）的光伏发电功率预测方法。分析光伏发电功率的主要影响因素,从熵理论角度出发,综合考虑距离熵和灰关联熵,提出以综合指标选取相似日;以极限学习机学习速度快和泛化能力强的特点为基础,采用L-M（Levenberg-Marquardt）算法修正极限学习机模型参数,获得模型最优网络,提高模型的预测精度。算例结果表明,所提方法可有效提高光伏发电预测精度,预测性能更佳。 

【文章来源】：太阳能学报. 2020,41(10)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

L-M算法优化流程图

为确保所选取出相似日样本合理且有效，这里采用传统样本选取法来进行比对验证，预测模型均采用未经改进的ELM，预测结果如图2。表4为不同相似日选取法的误差对比。由表4可知，本文所提相似样本选取法综合考虑距离熵和灰关联熵，更好地融合影响光伏发电功率的不确定性因素。因此，所选取的相似日样本更优，预测精度更高。

由图3和表5可看出：1)3种天气类型下，采用L-M算法改进的ELM预测模型的预测效果较理想，预测结果较接近实际光伏发电功率值；2）由于阴天和雨天时，天气变化情况较为复杂，气象因素波动性较大，因此各模型预测精度均不高；3）相比较而言，在3种天气情况下，改进的ELM模型优化了模型网络的权值和偏差向量，从而能保持较好的预测性能，在3种预测模型中预测精度也最高。图3 不同日期和气象类型的预测结果

【参考文献】：
期刊论文
[1]基于样本双重筛选的光伏发电功率预测[J]. 冬雷,周晓,郝颖,廖晓钟,高阳.  太阳能学报. 2018(04)
[2]基于改进相似日和ABC-SVM的光伏电站功率预测[J]. 葛乐,陆文伟,袁晓冬,周前.  太阳能学报. 2018(03)
[3]基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测[J]. 田翠霞,黄敏,朱启兵.  太阳能学报. 2018(02)
[4]基于灰色关联理论与经验模态分解的光伏出力超短期预测[J]. 索春梅,孙健,张宗峰,王贤宗.  中国电力. 2017(12)
[5]两级式光伏发电系统低电压穿越控制策略研究[J]. 郭勇,李勇,皇甫星星,丁勇,石祥建,刘为群.  电力工程技术. 2017(06)
[6]分布式光伏并网电压和功率因数协调控制策略[J]. 赵伟然,汪海蛟,李光辉,何国庆,孙健.  电力工程技术. 2017(06)
[7]基于距离熵优化HHM-ISM的大型水电项目建设期风险评价模型研究[J]. 王宏兵,郑雪筠,李海峰.  水力发电. 2017(10)
[8]基于L-M算法优化BP神经网络的飞灰含碳量测量[J]. 崔锐,刘国栋,李晓江.  山西电力. 2017(03)
[9]基于相似日和CAPSO-SNN的光伏发电功率预测[J]. 陈通,孙国强,卫志农,臧海祥,孙永辉,Kwok W Cheung,李慧杰.  电力自动化设备. 2017(03)
[10]大规模光伏发电并网概率潮流计算及对电网的影响[J]. 金楚,黎嘉明,徐沈智,文劲宇.  电力工程技术. 2017(01)



本文编号：3605531