基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition,SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法.首先,使用快速傅里叶变换(fast fourier transform,FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering,AdAP)实现相似日聚类.其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征.最后,利用 MBI-PBI-...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 52; no. 2; pp. 165 - 176
Main Authors 黄泽, 毕贵红, 谢旭, 赵鑫, 陈臣鹏, 张梓睿, 骆钊
Format Journal Article
LanguageChinese
Published 昆明理工大学电力工程学院,云南 昆明 650500%华能澜沧江水电股份有限公司糯扎渡水电厂,云南 普洱 665000%中国长江电力股份有限公司乌东德水力发电厂,云南 昆明 651212 2024
Subjects
photovoltaic power
并联网络
光伏发电
功率预测
相似日聚类
power prediction
similar day clustering
parallel network
Online AccessGet full text

Cover

More Information
Summary:为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition,SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法.首先,使用快速傅里叶变换(fast fourier transform,FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering,AdAP)实现相似日聚类.其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征.最后,利用 MBI-PBI-ResNet 来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测.研究结果表明:所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.230875