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
55 浏览量
更新于2024-09-03
5
收藏 640KB PDF 举报
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。
2021-01-12 上传
2021-09-25 上传
2021-09-25 上传
2021-09-25 上传
2021-09-27 上传
2021-09-26 上传
2021-09-26 上传
weixin_38725625
- 粉丝: 3
- 资源: 919
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库