-
题名分布式光伏功率预测的时空特征融合方法研究
- 1
-
-
作者
张晓辉
刘钰婷
马锴
钟嘉庆
-
机构
河北省电力电子节能与传动控制重点实验室(燕山大学)
智能控制与神经信息处理教育部重点实验室(燕山大学)
-
出处
《中国电机工程学报》
北大核心
2025年第S1期231-244,共14页
-
基金
国家自然科学基金联合基金项目(U23A20333)。
-
文摘
准确的光伏功率预测对电网调度和电站运行具有重要意义。由于分布式光伏(distributed photovoltaics,DPV)系统受多种时空因素影响,传统基于单一模型的方法难以充分挖掘其时序变化规律与空间相关特性,导致预测精度低、模型适应性弱。该文提出一种融合时空特征,结合麻雀搜索算法(sparrow search algorithm,SSA)优化极端梯度提升算法(extreme gradient boosting,XGBoost)和差分移动自回归平均(autoregressive integrated moving average,ARIMA)模型的DPV功率预测方法。首先,提出基于斯皮尔曼相关系数筛选与历史光伏功率高度相关的气象因素,并将其输入到SSA优化的XGBoost模型中,以提取和预测时间相关性特征;然后,结合日累计发电量与功率变化率,提出一种基于天气类型的光伏功率数据分类方法,并进一步提出利用斯皮尔曼分析识别与目标站点功率高度相关的参考电站;在此基础上,构建结合动态权重的ARIMA模型,实现对空间相关性特征的建模与预测;最后,提出一种基于信息熵加权的时空特征融合框架模型,根据时间与空间预测模型的误差动态调整其贡献度,生成融合预测结果。以f1电站为研究对象的对比实验结果表明,该文所提出的方法在预测精度与鲁棒性方面均优于传统单一模型,验证了其在DPV功率预测中的实用性和有效性。
-
关键词
分布式光伏
时空特征融合
功率预测
麻雀搜索算法-极端梯度提升算法-差分移动自回归平均模型
信息熵
-
Keywords
distributed photovoltaics(DPV)
spatiotemporal feature fusion
power forecasting
sparrow search algorithm(SSA)-extreme gradient boosting(XGBoost)-autoregressive integrated moving average(ARIMA)model
information entropy
-
分类号
TM615
[电气工程—电力系统及自动化]
-
