《表4 各类簇的预测效果：基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

式中，Pp（i）——系统发电功率预测值；Pm（i）——系统发电功率实际测量值。M取24，为一天的实际预测点个数。预测误差统计指标结果见表4，可看出对于聚类所得的5个类簇分别建立的GRNN神经网络均具有较高的预测精度，不同类簇预测模型间还存在着预测效果上的差异。从各类簇中分别随机取2017年1月6日（类簇1）、2017年1月1日（类簇2）、2017年10月11日（类簇3）、2017年7月25日（类簇4）、2017年12月30日（类簇5）做光伏发电功率预测曲线与实测曲线对比图如图5所示，可看出预测模型对不同类簇均有较高的预测精度。但由于短期发电功率预测的局限性，无法对云层实时运动遮挡阳光导致的发电功率剧烈波动做出响应，如10月11日午时的波动、12月30日13:00的波动，1月1日14:00后天气晴转多云后实际出力的下降等现象，均出现预测偏差。