基于相似日与VMD-DBO-KELM的分布式光伏发电功率预测方法

为降低气象因素对分布式光伏发电功率预测精度的影响，提出一种结合相似日划分与变分模态分解（VMD）及蜣螂优化算法优化核极限学习机（DBO-KELM）的预测方法。首先采用改进ISODATA算法对历史发电数据进行相似日聚类；其次利用VMD将功率序列分解为多个模态分量，并分别输入DBO优化的KELM模型进行预测；最后重构各分量得到最终预测结果。基于实测数据的算例分析表明，该方法在不同相似日场景下均具有较高预测精度和良好适应性。

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.