基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法

方朝雄; 郑洁云; 张章煌; 陈若晨; 1; 周霞; 王子博; 2

doi:10.13336/j.1003-6520.hve.20240792

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法

新能源多时间尺度功率及供电能力预测专题 | 更新时间：2026-01-09

- 基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法
- Distributed Photovoltaic Power Prediction Based on Similar Day and VMD-DBO-KELM
- 高电压技术 2025年51卷第7期页码：3477-3487
- 作者机构：
  
  国网福建省电力有限公司经济技术研究院,福州,350013
- 作者简介：
- 基金信息：
  
  国网福建省电力有限公司重点科技项目(52130N23000Z)
- DOI：10.13336/j.1003-6520.hve.20240792
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
方朝雄, 郑洁云, 张章煌, 等. 基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法[J]. 高电压技术, 2025,51(7):3477-3487.

FANG Chaoxiong, ZHENG Jieyun, ZHANG Zhanghuang, et al. Distributed Photovoltaic Power Prediction Based on Similar Day and VMD-DBO-KELM[J]. 2025, 51(7): 3477-3487.
方朝雄, 郑洁云, 张章煌, 等. 基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法[J]. 高电压技术, 2025,51(7):3477-3487. DOI： 10.13336/j.1003-6520.hve.20240792.

FANG Chaoxiong, ZHENG Jieyun, ZHANG Zhanghuang, et al. Distributed Photovoltaic Power Prediction Based on Similar Day and VMD-DBO-KELM[J]. 2025, 51(7): 3477-3487. DOI： 10.13336/j.1003-6520.hve.20240792.

摘要

为了降低气象因素对分布式光伏发电功率预测精度的影响，提出一种基于相似日与变分模态分解(variational mode decomposition

VMD)，结合蜣螂算法优化核极限学习机(dung beetle optimizer kernel extreme learning machine，DBO-KELM)的分布式光伏发电功率预测方法。首先，采用改进的迭代自组织数据分析算法(iterative self-organizing data analysis techniques algorithm，ISODATA)将历史分布式光伏发电功率数据划分为不同的相似日类；然后，通过变分模态分解将光伏发电功率序列分解为不同的模态分量，并将其输入采用蜣螂优化算法优化的核极限学习机预测模型中，对每个分量分别进行预测；再对预测分量进行重构，进而实现基于VMD-DBO-KELM的高精度分布式光伏发电功率预测；最后，采用某分布式光伏站点实测数据进行算例分析。结果表明：所提方法在不同相似日下都具有较高的预测精度，具有较强的适应性。

Abstract

In order to reduce the influence of meteorological factors on the prediction accuracy of distributed photovoltaic power generation. In this paper

a distributed photovoltaic power prediction method based on similar days and VMD(variational mode decomposition)-DBO(dung beetle optimizer)-KELM (kernel extreme learning machine) is proposed. Firstly

the improved iterative self-organizing data analysis techniques algorithm (ISODATA) is used to divide the historical distributed photovoltaic power data into different similar days. Secondly

the photovoltaic power sequence is decomposed into different modal components by VMD

and each component is predicted separately in the KELM prediction model optimized by DBO. Then

the prediction component is reconstructed to realize the high-precision prediction of distributed photovoltaic power based on VMD-DBO-KELM. Finally

the measured data of a distributed photovoltaic station are used for example analysis. The results show that the proposed method has high prediction accuracy and strong adaptability on different similar days.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据