基于集成学习的分布式光伏发电功率日前预测

摘要：

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划,降低新能源发电对电网的冲击,提高消纳率.提出一种Boosting集成学习框架下的光伏发电功率日前预测方法.首先,根据光伏出力主要受天气影响的特点,通过皮尔逊系数获得相关性强的气象因素,利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集;然后,将极限学习机(extreme?learning?machine,ELM)引入Boosting框架,构建光伏出力日前预测模型(B-ELMs);最后,利用真实光伏电站运行数据验证模型有效性,该模型在试验过程中展现出良好的适应性,最高决策系数(R2)达0.9819.实验结果表明,由于集成学习框架的存在,B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果;同时,相较于深度学习网络,B-ELMs的收敛速度更快,在维持较快训练速度的同时保障更为精确的预测结果.

关键词：光伏出力预测、极限学习机、集成学习、k-means、日前预测

所属期刊栏目：55

分类号：TM615;TM732;F426.61

资助基金：国家电网有限公司总部科技项目SGSDWF00FCJS2100201

在线出版日期：2022-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：38-45