一种基于改进极限学习机的光伏发电预测方法技术

本发明专利技术涉及一种基于改进极限学习机的光伏发电预测方法，包括以下步骤：1)获取光伏发电历史数据并进行预处理，并通过相关性分析获取影响光伏出力的主要因素；2)构建ELM预测模型并进行训练；3)采用遗传算法优化ELM预测模型参数；4)应用优化训练后的ELM预测模型进行光伏发电预测。与现有技术相比，本发明专利技术具有提升预测精度、减少冗余度、提高网络训练效率、避免初始化的权值和阈值对训练的结果有较大的影响等优点。影响等优点。影响等优点。

【技术实现步骤摘要】
一种基于改进极限学习机的光伏发电预测方法


[0001]本专利技术涉及光伏发电预测领域，尤其是涉及一种基于改进极限学习机(ELM)的光伏发电预测方法。

技术介绍

[0002]随着国家“分布式光伏电站整县推进政策”的实施，分布式光伏装机呈现爆发式增长。截至到2020年，我国光伏累计并网装机量达253GW，结合目前的“双碳”目标，预计到2030年，光伏发电总装机容量将超过1000GW。然而，光伏发电能力极大地依赖于天气条件，具有间歇性和波动性，如太阳辐照度是影响光伏发电功率输出的关键因素，温度和湿度等因素也会影响其性能。由于上述特性，分布式光伏的大规模接入势必会给电力系统调度管理、消纳水平、经济运行等方面带来巨大挑战。
[0003]提升光伏出力预测的准确性有助于提前获取光伏出力特性，从而合理安排电网运行方式和应对措施，提高电网的安全性、可靠性和经济性。然而，从近几年的研究来看，虽然光伏预测模型的改进均提升了光伏功率预测精度，但包括ELM在内的传统神经网络算法中随机分配了部分参数，会对预测结果产生了一定程度的误差与波动，造成预测不准确的后果。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进极限学习机的光伏发电预测方法，其特征在于，包括以下步骤：1)获取光伏发电历史数据并进行预处理，并通过相关性分析获取影响光伏出力的主要因素；2)构建ELM预测模型并进行训练；3)采用遗传算法优化ELM预测模型参数；4)应用优化训练后的ELM预测模型进行光伏发电预测。2.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法，其特征在于，所述的步骤1)中，对光伏发电历史数据进行归一化处理，则有：其中，p
j
为第j的原始光伏发电功率数据，p
j，min
为j列数据的最小值，p
j，max
为j列数据的最大值，为归一化后的光伏发电功率数据。3.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法，其特征在于，所述的步骤1)中，对影响光伏出力的影响因素和实际光伏发电功率进行相关性分析，计算各影响因素与实际光伏发电功率之间的PCC相关系数，并根据PCC相关系数选取主要因素。4.根据权利要求3所述的一种基于改进极限学习机的光伏发电预测方法，其特征在于，所述的选取PCC相关系数绝对值较大的前k个影响因素作为主要因素。5.根据权利要求4所述的一种基于改进极限学习机的光伏发电预测方法，其特征在于，所述的影响光伏出力的影响因素包括辐照度、温度、风速、风向、湿度和压强，选取的主要因素具体包括辐照度、温度和湿度。6.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法，其特征在于，所述的步骤2)具体包括以下步骤：21)构建预测光伏发电的训练样本[x
i
，p
i
]，其中，x
i
＝[x
i1
，x
i2
，...，x
iN
]
T
∈R
N
为第i个影响光伏出力的主要因素的数据向量，N为训练样本个数，p
i

【专利技术属性】
技术研发人员：张宇，叶季蕾，李斌，时珊珊，王皓靖，方陈，
申请(专利权)人：华东电力试验研究院有限公司，
类型：发明
国别省市：