資源描述：
《改進(jìn)相似度的模糊聚類(lèi)算法在光伏陣列短期功率預(yù)測(cè)中的應(yīng)用.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第42卷第6期電力系統(tǒng)保護(hù)與控制Vo1．42NO．62014年3月16日PowerSystemProtectionandControlMar．16．2014改進(jìn)相似度的模糊聚類(lèi)算法在光伏陣列短期功率預(yù)測(cè)中的應(yīng)用白俊良，梅華威(華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北保定O71003)摘要：提出一種基于改進(jìn)相似度的模糊聚類(lèi)算法的光伏陣列短期功率預(yù)測(cè)方法，通過(guò)通徑分析得到氣象因子對(duì)光伏陣列日發(fā)電功率的影響權(quán)重。根據(jù)各個(gè)因子的權(quán)重自定義綜合了加權(quán)相似系數(shù)和加權(quán)距離系數(shù)的統(tǒng)計(jì)量一相似度，建立模糊相似矩陣將歷史日樣
2、本劃分為若干類(lèi)。然后通過(guò)分類(lèi)識(shí)別獲得與預(yù)測(cè)日最相似的一類(lèi)歷史日樣本集，將其與預(yù)測(cè)目的氣象因素作為預(yù)測(cè)模型的輸入樣本建立BP神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測(cè)模型，并利用差分進(jìn)化算法對(duì)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行了全局尋優(yōu)。以實(shí)際數(shù)據(jù)對(duì)所提模型進(jìn)行了驗(yàn)證，并與傳統(tǒng)的基于相似日選取的光伏功率預(yù)測(cè)模型進(jìn)行了對(duì)比，結(jié)果表明該模型具有更高的預(yù)測(cè)精度，有利于光伏發(fā)電系統(tǒng)并網(wǎng)運(yùn)行和電網(wǎng)安全經(jīng)濟(jì)調(diào)度。關(guān)鍵詞：功率預(yù)測(cè)；光伏陣列；通徑分析；氣象因子；模糊聚類(lèi)；神經(jīng)網(wǎng)絡(luò)；差分進(jìn)化Improvedsimilaritybasedfuzzycluster
3、ingalgorithmanditsapplicationinthePVarraypowershort—termforecastingBAIJun-liang，MEIHua-wei(StateKeyLaboratoryofAltemateElectricalPowerSystemwithRenewableEnergySources，NorthChinaElectricPowerUniversity,Baoding071003，China)Abstract：AmethodofPVarrayshort—termpo
4、werpredictionisproposedbasedonimprovedsimilarityoffuzzyclusteringalgorithm．First，theweightsofthemeteorologicalfactorsareobtainedthroughpathanalysis．Animprovedsimilarityisconstructedintegratingweightedsimilaritycoeficientsandweighteddistancecoeficientaccordin
5、gtotheweightofeachfactonSecond，thehistorydaysamplesaredividedintoseveralcategoriesbymakingfuzzysimilaritymatrix．Theclassificationoftheforecastingdayisgotbypatternrecognition．ThentheBPneuralnetworkpredictionmodelusingdiferentialevolutionalgorithmtooptimizeBPn
6、euralnetworkweightsandthresholdvalueisconstructedbasedonthehistorydataoftheclassificationandthemeteorologicalfactorsoftheforecastingday．Experimentalresultsdemonstratethatthemodelhashigherpredictionaccuracycomparedwiththetraditionalpredictionmodelbasedonsimil
7、ardayselected．ItisconducivetotheopermionofPVsystemoperationanditssecurityeconomicdispatch．Keywords：powerprediction；photovoltaicarray；pathanalysis；meteorologicalfactors；fuzzyclustering；neuralnetwork；diferentialevolutjon中圖分類(lèi)號(hào)：TM615；TK89文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1674—3415(20
8、14)06—0084—07目前，光伏發(fā)電功率預(yù)測(cè)可以歸納為兩類(lèi)：間0引言接預(yù)測(cè)和直接預(yù)測(cè)L2J。間接預(yù)測(cè)法先利用歷史太陽(yáng)光伏發(fā)電系統(tǒng)的輸出功率受到太陽(yáng)輻照度、溫輻照強(qiáng)度數(shù)據(jù)和天氣預(yù)報(bào)信息對(duì)地表的太陽(yáng)輻照強(qiáng)度、相對(duì)濕度、風(fēng)速等眾多氣象因素的影響，具有度進(jìn)行預(yù)測(cè)，然后根據(jù)光伏發(fā)電系統(tǒng)的出力模型得很大的波動(dòng)性和隨機(jī)性?。大規(guī)模光伏并網(wǎng)會(huì)對(duì)電到光伏系統(tǒng)的輸出功率l34J。與問(wèn)接預(yù)測(cè)相比，直接力
