Resumen

Los resultados precisos de la previsión de la producción eléctrica a corto plazo contribuyen a reducir la dificultad de programación del funcionamiento conectado a la red de los sistemas fotovoltaicos distribuidos (FV), mejorando así la seguridad y la estabilidad del funcionamiento de la red eléctrica. En este artículo se propone un modelo de previsión de la producción eléctrica a corto plazo con un día de antelación basado en el análisis de correlación y en algoritmos combinados para sistemas fotovoltaicos distribuidos, con el fin de resolver los problemas de los métodos actuales. En primer lugar, se introduce la información básica del sistema FV distribuido y se determinan los principales factores de influencia que afectan a la producción de energía del sistema FV distribuido. En segundo lugar, se seleccionan los factores de influencia con mayor correlación con la producción FV mediante el análisis del coeficiente de correlación de rango de Spearman (SROCC) en múltiples escalas temporales. A continuación, se establece el modelo ELM-LSTM basado en el submodelo de máquina de aprendizaje extremo univariante multimodelo (ELM) y el submodelo de memoria a corto plazo a largo plazo multivariante monomodelo (LSTM). El análisis de casos prácticos basado en datos reales indica que el modelo de previsión ELM-LSTM propuesto en este artículo tiene mayor precisión de previsión que los métodos de previsión tradicionales.

• Materias:Ingeniería electrónica Redes Inalámbricas Tecnología de sensores Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Sensor technology Signal processing computer-assisted Data processing
• Palabras claves:sistema fotovoltaico, elm, máquina de aprendizaje extremo multimodelo univariante, modelo de previsión de la producción eléctrica a plazo, resultados de la previsión de la producción eléctrica a plazo, modelo de previsión lstm, análisis de casos prácticos, mayor precisión de la previsión, principales factores de influencia, coeficiente de correlación de órdenes
• Keywords:pv system, elm, multimodel univariate extreme learning machine, term power output forecasting model, term power output forecasting results, lstm forecasting model, case study analysis, higher forecasting accuracy, main influence factors, order correlation coefficient