基于長短時記憶網(wǎng)絡(luò)的光伏發(fā)電功率預測
關(guān)鍵詞：lstm 光伏發(fā)電功率 預測模型 相關(guān)性系數(shù)
摘要：光伏發(fā)電系統(tǒng)的輸出功率具有波動性和間歇性,其特性影響了電力系統(tǒng)安全、穩(wěn)定與經(jīng)濟地運行,因此準確預測光伏發(fā)電系統(tǒng)的輸出功率具有十分重要的意義。目前,光伏出力預測一般使用比較簡單的網(wǎng)絡(luò),如BP神經(jīng)網(wǎng)絡(luò)和SVM等,并且大多數(shù)預測的時間級為小時級,而對于分鐘級的預測具有一定的難度。光伏出力預測是一個回歸問題,而長短時記憶(LSTM)在時間序列上具有良好的處理效果。本文研究影響光伏發(fā)電的因素,并從中選取主要因素作為特征,通過構(gòu)建基于LSTM的深度學習模型來預測光伏發(fā)電功率。在不同天氣情況下,光伏發(fā)電功率的波形具有不同的特征,因此對不同天氣類型構(gòu)建不同的LSTM預測模型。實測數(shù)據(jù)表明,不同天氣類型的LSTM模型具有更憂的性能。
科研信息化技術(shù)與應用雜志要求:
{1}計量單位、數(shù)字、符號文稿必須使用法定的計量單位符號
{2}投稿3個月后未收到刊用通知，作者可自行處理。
{3}中文摘要一般限在200字以內(nèi)，應包括研究背景、方法、結(jié)果、結(jié)論或討論四部分內(nèi)容；關(guān)鍵詞一般3-5個。英文摘要及關(guān)鍵詞則與中文的相對應。
{4}作者不屬同一單位時，應在作者姓名右上角加注不同的阿拉伯數(shù)字。
{5}論文應有中英作者署名、工作單位、所在省、市名稱和郵編。如有多位作者，其間以逗號分開，其工作單位不同，應按阿拉伯數(shù)字順序標注在右上角，單位與單位之間用分號。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
