文献类型：期刊文章

作　　者：王粟[1,2] 江鑫[1,2] 曾亮[1,2] 常雨芳[1,2]

WANG Su;JIANG Xin;ZENG Liang;CHANG Yufang(School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,Hubei Province,China;Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System(Hubei University of Technology),Wuhan 430068,Hubei Province,China)

机构地区：[1]湖北工业大学电气与电子工程学院,湖北省武汉市430068 [2]太阳能高效利用及储能运行控制湖北省重点实验室(湖北工业大学),湖北省武汉市430068

出　　处：《电网技术》

基　　金：国家自然科学基金项目(41601394、61903129);湖北工业大学博士科研启动基金项目(BSQD2017008).

年　　份：2020

卷　　号：44

期　　号：3

起止页码：917-926

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。

关 键 词：光伏功率预测  时间序列 变分模态分解  深度回声状态网络  稀疏高斯混合过程专家模型  

分 类 号：TM615]