文献类型：期刊文章

作　　者：李争[1] 张杰[1] 徐若思[1] 罗晓瑞[1] 梅春晓[2] 孙鹤旭[1]

Li Zheng;Zhang Jie;Xu Ruosi;Luo Xiaorui;Mei Chunxiao;Sun Hexu(School of Electrical Engineering,Hebei University of Science and Technology,Shijiazhuang 050018,China;Hebei Construction&Investment Group New Energy Co.,Ltd.,Shijiazhuang 050051,China)

机构地区：[1]河北科技大学电气工程学院,石家庄050018 [2]河北建投新能源有限公司,石家庄050051

出　　处：《太阳能学报》

基　　金：国家自然科学基金(51877070);河北省重点研发计划(19214501D,20314501D);河北省自然科学基金(E2021208008)。

年　　份：2024

卷　　号：45

期　　号：2

起止页码：460-468

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数(PCC)、K-均值算法(K-means)、变分模态分解(VMD)、麻雀搜索算法(SSA)、核函数极限学习机(KELM)的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。

关 键 词：光伏发电  功率预测 变分模态分解  K-均值 麻雀算法  核函数极限学习机  

分 类 号：TM615]