改进EMD与Elman神经网络的光伏功率预测模型：同类型相似日应用

本文主要探讨了一种新颖的光伏功率预测方法，由徐敏姣和徐青山两位作者共同研究并发表在《中国科技论文在线》上。他们的工作重点是针对光伏系统的功率预测，特别是在弱辐照条件下提高预测精度。研究采用了改进的 Empirical Mode Decomposition (EMD) 算法和 Elman 神经网络的结合。 首先，研究者对历史数据进行了细致的分析，通过聚类分析根据辐照时长和强度将数据分组，明确了待预测日的类别以及与其对应的辐射强度预测时段。这种方法有助于识别具有相似环境条件的日子，即所谓的"同类型相似日"。 接着，改进的 EMD 算法被用来处理这些同类型相似日的时间序列。通过中值滤波，该算法能够有效地平滑数据，减少噪声影响，然后进行模态分解，将数据的波动模式归类。这样做的目的是提取出各个模态类的规律，以便后续的辐射强度预测。 Elman 神经网络模型在此阶段发挥关键作用，它能够学习和理解不同模态类的辐射强度变化模式。通过训练，该模型能够预测每个模态类在特定时间段内的辐射强度，从而得出光伏系统逐时发电功率的预测值。 此研究方法的优势在于，不仅提高了弱辐射条件下的预测精度，而且能适应不同类型日的辐射强度变化，实现了快速且准确的预测。两位作者的研究得到了"中央高校基本科研业务费专项资金"和"江苏省普通高校研究生科研创新计划"的资助，体现出其研究的实用性和学术价值。 这篇首发论文提供了一种创新的光伏功率预测技术，对于优化可再生能源管理，提高光伏发电系统的效率具有重要意义。徐敏姣作为硕士研究生，专注于新能源发电预测和分布式电源规划，而徐青山教授则作为主要研究者，通过理论与实践的结合推动了这一领域的前沿研究。