《表1 气象因素与输出功率之间的距离分析结果》

  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

注：表中粗体为正相关且相关程度较大者。

以2017年站测气象数据为例，对数据预处理后，分别计算风速（ws）、温度（Ta）、辐照度（Ir）、风向（wd）、日降雨量（Rd）、最大风速（wmx）、大气压强（pa）与输出功率（P）的距离如表1所示。由表1得出风速、温度、辐照度、最大风速与输出功率的距离最小，相关性最高。如果将未作处理的多维历史数据序列作为预测因子会导致模型输入维数太高，还引入了许多冗余信息，给建模造成较大的困难[12]。同时，这4种气象因子均有很强的波动性，其中风速在24 h内的变化有很大的随机性。因此，可通过对气象因素的特征分析，计算其统计指标作为代替多维时间序列的天气特征量，既能充分的提取历史数据中的有效信息，还可避免维数太高带来的问题。