考虑气象因素的光伏发电系统出力预测方法OA
为提高光伏发电功率预测精度以支撑电网优化调度,本文构建了一种融合气象因素并捕捉时序动态特性的预测模型,即Elman-VMD-XGBoost模型。通过皮尔逊相关系数定量分析辐照度、温度等气象要素与光伏出力的关联性,筛选关键影响因素作为模型输入;建立基于Elman动态神经网络的预测模型,利用其承接层反馈机制记忆历史状态,刻画光伏出力的时序依赖关系;引入基于变分模态分解(variational mode decomposition,VMD)与XGBoost的混合误差校正机制,通过VMD分解初始预测误差序列揭示其波动模式,再以气象数据和误差分量为输入,采用XGBoost模型进行误差预测与补偿。实验结果表明:本文模型的均方根误差(root mean square error,RMSE)最高仅为0.12,显著优于传统BP神经网络、时空图网络及FCM-LSTM等对比方法;AUC值始终保持在0.9以上,验证了其在多种出力场景下的卓越预测性能与鲁棒性。研究表明:Elman-VMD-XGBoost组合模型通过有效整合气象关联分析与时序动态建模,结合误差分解校正策略显著提升了预测精度,为复杂气象条件下光伏发电的精准预测提供了可靠解决方案。
吴康;何昊;何伟;匡德兴;刘馨尹
国网江西省电力有限公司电力科学研究院,江西南昌330096国网江西省电力有限公司电力科学研究院,江西南昌330096国网江西省电力有限公司电力科学研究院,江西南昌330096国网江西省电力有限公司电力科学研究院,江西南昌330096清华大学电机工程与应用电子技术系,北京100084
信息技术与安全科学
气象因素光伏发电系统辐照度Elman神经网络出力预测
《西安工程大学学报》 2026 (4)
P.9-18,10
国网江西省电力有限公司重点研究科技项目(521820240013)。
评论