文献类型：期刊文章

作　　者：王小杨[1] 罗多[2] 孙韵琳[3] 李超[1] 李进[2]

Wang Xiaoyang;Luo Duo;Sun Yunlin;Li Chao;Li Jin(University of Elecronic Science and Technology of China,Zhongshan Instiute,Zhongshan 528400,China;SINGYES Green Building Technology,Zhuhai 519060,China;Shunde SYSU Institute for Solar Energy,Shunde 528300,China)

机构地区：[1]电子科技大学中山学院,中山528400 [2]珠海兴业绿色建筑科技有限公司,珠海519060 [3]顺德中山大学太阳能研究院,顺德528300

出　　处：《太阳能学报》

基　　金：广东省自然科学基金(2016A030310020);教育部项目(19YJC630185);中山市科技计划(2018B1104)。

年　　份：2020

卷　　号：41

期　　号：3

起止页码：177-183

语　　种：中文

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

摘　　要：综合考虑气象因素,使用ABC-SVM方法,对历史的气象数据和光伏出力数据进行训练,依据发电量情况将气象数据分为4类;之后在4类气象情况下各选取上万条数据,使用PSO-RF模型分别训练每组数据,得到4个带不同参数的模型;最后根据每天的气象情况运行不同的模型。验证本组合方法之后发现,通过气象分类后得到的模型,可大幅提高光伏发电量预测的效果。

关 键 词：光伏发电量预测  支持向量机  粒子群优化  人工蜂群 随机森林  微电网  

分 类 号：TM615]