典型文献
基于集成学习的分布式光伏发电功率日前预测
文献摘要：
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.
文献关键词：
光伏出力预测;极限学习机;集成学习;k-means;日前预测
中图分类号：
作者姓名：
刘昳娟;陈云龙;刘继彦;张雪梅;吴潇雨;孔维政
作者机构：
国网山东省电力公司,山东 济南 250002;国网能源研究院有限公司,北京 102209
文献出处：
引用格式：
[1]刘昳娟;陈云龙;刘继彦;张雪梅;吴潇雨;孔维政-.基于集成学习的分布式光伏发电功率日前预测)[J].中国电力,2022(09):38-45
A类：
ELMs
B类：
分布式光伏发电,光伏发电功率,日前预测,电网设计,设计未来,调度计划,新能源发电,消纳率,Boosting,集成学习框架,力主,天气影响,皮尔逊系数,气象因素,means++,率相关性,辐照度,相似日,日数,极限学习机,extreme,learning,machine,光伏电站,电站运行,运行数据,数据验证,验证模型,模型有效性,试验过程,复杂天气,波动性,力曲线,深度学习网络,收敛速度,训练速度,光伏出力预测
AB值：
0.309613
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
