针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(cluste...针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(clustering with optimal evaluation function,COEF)算法,实现天气状态场景的自适应分类;基于极限学习机构建基础值预测模型,并阐明多场景的补偿机理,通过对不同天气场景设计针对性的误差补偿模型,实现对基础预测值的多尺度校正,提高算法的预测精度。最后,选择不同地域和气候特点的多场站实际数据进行仿真测试。仿真结果表明:与物理模型及传统机器学习算法相比,所提出的光功率预测方法在多时间尺度、多场景工况下均有更好的预测效果。展开更多
文摘针对现有光功率预测模型在极端天气下预测精度低、天气场景特征解析方式粗糙以及动态补偿机制缺失等问题,提出了一种考虑多场景和差异化补偿策略的光功率预测方法。该方法提出混合天气类型概念,并通过构建具有优化评价功能的聚类(clustering with optimal evaluation function,COEF)算法,实现天气状态场景的自适应分类;基于极限学习机构建基础值预测模型,并阐明多场景的补偿机理,通过对不同天气场景设计针对性的误差补偿模型,实现对基础预测值的多尺度校正,提高算法的预测精度。最后,选择不同地域和气候特点的多场站实际数据进行仿真测试。仿真结果表明:与物理模型及传统机器学习算法相比,所提出的光功率预测方法在多时间尺度、多场景工况下均有更好的预测效果。
