本文選題：光伏發(fā)電　切入點(diǎn)：微電網(wǎng)　出處：《電力系統(tǒng)自動(dòng)化》2017年21期

【摘要】：微電網(wǎng)光伏發(fā)電預(yù)測精度與天氣狀態(tài)呈高度相關(guān)性,非晴空條件下氣象因素的隨機(jī)波動(dòng)使得超短期預(yù)測精度較低。對此,文中提出一種改進(jìn)Adaboost天氣聚類和馬爾可夫鏈的組合預(yù)測方法。首先采用滑動(dòng)平均法提取輻照度特征變量,設(shè)計(jì)并訓(xùn)練Adaboost改進(jìn)的K近鄰(KNN)分類器,實(shí)現(xiàn)歷史樣本的分類;為進(jìn)一步提高多云和陰雨天的預(yù)測精度,引入天氣類型衰減系數(shù)對Hottel太陽輻射模型進(jìn)行校正,形成完整描述各天氣類型的輻照度基準(zhǔn)模型;建立多階加權(quán)馬爾可夫鏈模型輸出輻照度預(yù)測值;最后由光電轉(zhuǎn)換模型實(shí)現(xiàn)間隔5 min的微電網(wǎng)光伏超短期預(yù)測。仿真結(jié)果表明,所述預(yù)測方法提高了各天氣類型下的預(yù)測精度,對提高微電網(wǎng)經(jīng)濟(jì)調(diào)度水平具有重要意義。
[Abstract]:The prediction accuracy of photovoltaic power generation in microgrid is highly correlated with the weather state, and the ultra-short-term prediction accuracy is low due to the random fluctuation of meteorological factors under the condition of no clear sky.In this paper, an improved combined forecasting method of Adaboost weather clustering and Markov chain is proposed.Firstly, the irradiance feature variables are extracted by moving average method, and the K-nearest neighbor KNN classifier improved by Adaboost is designed and trained to realize the classification of historical samples, in order to further improve the prediction accuracy of cloudy and rainy weather.The attenuation coefficient of weather type is introduced to correct the solar radiation model of Hottel, and the irradiance reference model describing each weather type is formed, and the multi-order weighted Markov chain model is established to output irradiance prediction value.Finally, the photovoltaic ultra-short term prediction of microgrid with 5 min interval is realized by photoelectric conversion model.The simulation results show that the prediction method improves the prediction accuracy of different weather types and is of great significance to improve the economic dispatching level of microgrid.
【作者單位】： 武漢大學(xué)電氣工程學(xué)院;
【基金】：國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2017YFB0903700,2017YFB0903705) 武漢市科技創(chuàng)新計(jì)劃資助項(xiàng)目(2013072304020824)~~
【分類號(hào)】：TM615

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡國勝;;基于加權(quán)支持向量機(jī)與AdaBoost集成的預(yù)測模型研究[J];計(jì)算機(jī)應(yīng)用與軟件;2012年12期

2 王旭東;吳積欽;徐可佳;王偉;;基于AdaBoost算法的接觸網(wǎng)定位器識(shí)別[J];高速鐵路技術(shù);2014年03期

3 柳玉;郭虎全;;基于AdaBoost與BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測研究[J];電網(wǎng)與清潔能源;2012年02期

4 金立軍;閆書佳;劉源;;基于類Haar特征與級聯(lián)AdaBoost算法的防震錘識(shí)別[J];系統(tǒng)仿真學(xué)報(bào);2012年09期

5 吳俊利;張步涵;王魁;;基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在短期風(fēng)速預(yù)測中的應(yīng)用[J];電網(wǎng)技術(shù);2012年09期

6 姚林朋;鄭文棟;錢勇;王輝;黃成軍;江秀臣;;基于AdaBoost的局部放電綜合特征決策樹識(shí)別方法[J];電力系統(tǒng)保護(hù)與控制;2011年21期

7 張燕;倪遠(yuǎn)平;;基于AdaBoost.M2-NN的變壓器故障診斷[J];甘肅科學(xué)學(xué)報(bào);2012年01期

8 魯宗相;王彩霞;閔勇;周雙喜;呂金祥;王云波;;微電網(wǎng)研究綜述[J];電力系統(tǒng)自動(dòng)化;2007年19期

9 鄭漳華;艾芊;;微電網(wǎng)的研究現(xiàn)狀及在我國的應(yīng)用前景[J];電網(wǎng)技術(shù);2008年16期

10 麻敏;韓繼明;麻秀慧;陳衍妍;;淺談微電網(wǎng)[J];科技資訊;2009年15期

相關(guān)會(huì)議論文 前10條

1 肖朝霞;方紅偉;張獻(xiàn);;智能微電網(wǎng)研究綜述[A];天津市電機(jī)工程學(xué)會(huì)2009年學(xué)術(shù)年會(huì)論文集[C];2009年

2 廉超;宋騰;李鵬;顧志強(qiáng);江百川;;微電網(wǎng)及其控制技術(shù)研究[A];中國高等學(xué)校電力系統(tǒng)及其自動(dòng)化專業(yè)第二十四屆學(xué)術(shù)年會(huì)論文集（下冊）[C];2008年

3 谷s，

本文編號(hào)：1707624