首页> 中文期刊> 《热力发电》 >基于聚类和长短期记忆神经网络的光热电站并网电力预测

基于聚类和长短期记忆神经网络的光热电站并网电力预测

         

摘要

光热电站发电量预测技术有助于电网提前制定调度计划,有效减轻光热发电间歇性和波动性在并网运行后带来的冲击.本文以美国加州光热发电系统并网电力预测问题为例,首先研究气象参数与发电量之间的相关性,进而利用近邻传播(AP)聚类算法对比不同发电模式下气象参数对发电的影响差异;然后,建立长短期记忆(LSTM)神经网络基准模型对光热系统发电量进行预测;最后,针对基准模型对O发电量情况预测精度低的问题,根据相应聚类结果建立增量特征预测模型.预测结果表明,该改进的基于AP聚类和LSTM神经网络模型预测效果良好,可达到91.41%的日发电量预测精度.

著录项

  • 来源
    《热力发电》 |2021年第9期|128-136|共9页
  • 作者单位

    中国平煤神马集团尼龙科技有限公司 河南 平顶山467000;

    西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心 陕西西安710049;

    西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心 陕西西安710049;

    西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心 陕西西安710049;

    西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心 陕西西安710049;

    西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心 陕西西安710049;

  • 原文格式 PDF
  • 正文语种 chi
  • 中图分类 TK514;
  • 关键词

    光热电站; 发电量预测; 聚类算法; 长短期记忆神经网络; 并网; 气象参数;

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号