电网技术

2015, v.39;No.375(02) 307-311

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于机器学习的自适应光伏超短期出力预测模型
Machine Learning-Based Adaptive Very-Short-Term Forecast Model for Photovoltaic Power

高阳;张碧玲;毛京丽;刘勇;

摘要(Abstract):

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。

关键词(KeyWords): 自适应预测;自回归和滑动平均模型;神经网络;小波分析;超短期光伏出力预测

Abstract:

Keywords:

基金项目(Foundation): 北京邮电大学青年科研创新计划专项(2013RC100)

作者(Author): 高阳;张碧玲;毛京丽;刘勇;

Email:

DOI: 10.13335/j.1000-3673.pst.2015.02.002

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享