针对光伏发电可预测性低的问题,提出了一种综合使用通径分析(path analysis,PA)、k近邻算法(k-Nearest Neighbor,KNN)、神经网络分位数回归(quantile regression neural network,QRNN)和核密度估计(kernel density estimator,KDE)的光伏出力概率分布估计方法,构造出未来1 d任意时刻的光伏出力概率密度函数,可以得到比点预测和区间预测更多的有用信息。首先由通径分析对气象因素进行约减,在降低模型输入维数的基础上减小变量间的耦合作用。然后通过K-means算法按天气类型对历史样本进行聚类,进一步提高相似样本的筛选效果。最后利用神经网络分位数回归和核密度估计对光伏出力的概率分布进行估计。实验结果表明,相比于核密度估计和传统的正态分布估计方法,采用所提方法估计出的概率分布的可靠性和锐度更高。
【英文摘要】
Considering poor predictability of PV power generation,this paper proposes a method based on path analysis(PA),k-Nearest Neighbor(KNN),quantile regression neural network(QRNN) and kernel density estimator(KDE) to estimate probabilistic distribution of PV generation at any moment in a day.Probability density function of PV generation provides more useful information than point and interval predictions.Firstly,path analysis is employed to reduce dimensions of meteorological factors and coupling influence betw...
| 
推荐 
点击下列相关研究机构和相关文献作者，可以直接查到这些机构和作者被《中国知识资源总库》收录的其它文献，使您全面了解该机构和该作者的研究动态和历史。
