摘要
为了改善光伏发电功率的预测精度,提出一种基于干线式卷积神经网络(Mainline Convolution Neural Network,MCNN)、改进黏菌算法(Improve Slime Mould Algorithm,ISMA)以及加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)模型的超短期光伏发电功率预测方法.首先,根据Pearson相关性分析,确定光辐照度、温度以及湿度为选取相似日的特征因素,并通过灰色关联分析选取预测日的相似日样本集.其次,将卷积神经网络提取的光伏发电数据特征作为WLSSVM的输入,解决传统数据驱动方法对特征提取和特征选择的依赖.其中,针对常规CNN只能对单一层的特征进行提取的缺陷,提出MCNN进行多层次的特征提取;针对黏菌算法寻优公式的不足,扩展了原黏菌算法的边界条件以及优化了最优个体的更新方式,得到改进黏菌算法,并用来确定WLSSVM的最佳参数.最后,建立基于MCNN-ISMA-WLSSVM的组合预测模型,并在不同天气类型下对光伏发电功率做预测仿真实验.结果表明,这种预测方法有更高的泛化性、鲁棒性和预测精度.
NETL
NSTL
万方数据