光伏电站输出功率的主因隐藏型RBFNN预测方法
RBFNN Based Photovoltaic Power Prediction Method with Hiding of Main Influencing Factor
DOI: 10.12677/SG.2016.64024, PDF,  被引量    国家自然科学基金支持
作者: 文 明：国网湖南省电力公司经济技术研究院，湖南 长沙；李刚强, 江 辉, 彭建春：深圳大学机电与控制工程学院，广东 深圳
关键词: 光伏电站；功率预测；气象；马氏距离；径向基神经网络；Photovoltaic Power Station； Power Prediction； Meteorology； Mahalanobis Distance； RBFNN
摘要: 提出了一种光伏电站功率的主因隐藏型径向基神经网络(RBFNN)预测方法。先合理隐去影响光伏电站功率的主要气象因素“太阳辐射强度”，建立RBFNN预测模型。再按与预测时点气象因素记录的马氏距离从历史记录中筛选出相似样本集，对RBFNN模型进行学习训练。运用训练好的RBFNN实现短期光伏电站功率的预测。这种方法不仅合理隐去了预测中难以获取的地面太阳辐射强度、使光伏功率预测易于实现，而且运用马氏距离筛选样本、改进了预测精度。仿真结果验证了本文方法的有效性。
Abstract: A radial basis function neural network (RBFNN) based photovoltaic power prediction method with hiding of main influencing factor is proposed in this paper. Firstly, the main influencing factor of solar radiation intensity on photovoltaic power is hidden rationally, and RBFNN based photovoltaic power prediction model is built. Then the similar samples are screened out from historical records of meteorological factors according to their Mahalanobis distances from the record of meteorological factors of the prediction time point, which are used to train the RBFNN model. At last, the trained RBFNN is used to predict the output power of the photovoltaic power station. The proposed method hides rationally the ground solar radiation intensity that is difficult to obtain and has important influence on photovoltaic power in the prediction, which makes photovoltaic power prediction easy to implement. In addition, the screening of similar samples by Mahalanobis distance improves the accuracy of photovoltaic power prediction. Simulation results show the effectiveness of the proposed method.
文章引用：文明, 李刚强, 江辉, 彭建春. 光伏电站输出功率的主因隐藏型RBFNN预测方法[J]. 智能电网, 2016, 6(4): 212-220. http://dx.doi.org/10.12677/SG.2016.64024

参考文献

[1] 丁明, 王伟胜, 王秀丽, 宋云亭, 陈得治, 孙鸣. 大规模光伏发电对电力系统影响综述[J]. 中国电机工程学报, 2014, 34(1): 1-14.
[2] 李斌, 袁越. 光伏并网发电对保护及重合闸的影响与对策[J]. 电力自动化设备, 2013, 33(4): 12-17.
[3] 胡波, 野中佑斗, 横山隆一. 大规模光伏系统并网对配电网的影响[J]. 电力系统自动化, 2012, 36(13): 34-38.
[4] 黄磊, 舒杰, 姜桂秀, 张继元. 基于多维时间序列局部支持向量回归的微网光伏发电预测[J]. 电力系统自动化, 2014, 38(5): 19-24.
[5] 丁明, 徐宁舟. 基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 电网技术, 2011, 35(1): 152-157.
[6] 王守相, 张娜. 基于灰色神经网络组合模型的光伏短期出力预测[J]. 电力系统自动化, 2012, 36(19): 36-41.
[7] 兰华, 廖志民, 赵阳. 基于ARMA 模型的光伏电站出力预测[J]. 电测与仪表, 2011, 48(54): 31-34.
[8] 陈昌松, 段善旭, 蔡涛, 代倩. 基于模糊识别的光伏发电短期预测系统[J]. 电工技术学报, 2011, 26(7): 83-89.
[9] 董雷, 周文萍, 张沛, 刘广一, 李伟迪. 基于动态贝叶斯网络的光伏发电短期概率预测[J]. 中国电机工程学报, 2013, 33(增刊): 38-45.
[10] 朱永强, 田军. 最小二乘支持向量机在光伏功率预测中的应用[J]. 电网技术, 2011, 35(7): 54-59.
[11] Shi, J., Lee, W.-J., Liu, Y.Q., Yang, Y.P. and Wang, P. (2012) Forecasting Power Output of Photovoltaic Systems Based on Weather Classification and Support Vector Machines. IEEE Transactions on Industry Ap-plications, 48, 1064-1069.
[12] 王飞, 米增强, 甄钊, 杨光, 周海明. 基于天气状态模式识别的光伏电站发电功率分类预测方法[J]. 中国电机工程学报, 2013, 33(34): 75-82.
[13] 代倩, 段善旭, 蔡涛, 等. 基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究[J]. 中国电机工程学报, 2011, 31(34): 28-35.
[14] 袁晓玲, 施俊华, 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 57-64.
[15] 崔洋, 孙银川, 常倬林. 短期太阳能光伏发电预测方法研究进展[J]. 资源科学, 2013, 35(7): 1474-1481.
[16] Chen, C.S., Duan, S.X., Cai, T., et al. (2011) Online 24-h Solar Power Forecasting Based on Weather Type Classification Using Artificial Neural Network. Solar Energy, 85, 2856-2870.
[17] 茆美琴, 龚文剑, 等. 基于EEMD-SVM方法的光伏电站短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 17-24.

为你推荐