導覽
近期變更
隨機頁面
新手上路
新頁面
優質條目評選
繁體
不转换
简体
繁體
18.217.147.193
登入
工具
閱讀
檢視原始碼
特殊頁面
頁面資訊
求真百科歡迎當事人提供第一手真實資料,洗刷冤屈,終結網路霸凌。
檢視 深度学习的光伏功率预测 的原始碼
←
深度学习的光伏功率预测
前往:
導覽
、
搜尋
由於下列原因,您沒有權限進行 編輯此頁面 的動作:
您請求的操作只有這個群組的使用者能使用:
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=https://k.sinaimg.cn/n/sinakd20220819s/67/w554h313/20220819/7cfb-6b871e1d354430657efc0a9aa7b99365.png/w700d1q75cms.jpg?by=cms_fixed_width width="310"></center> <small>[https://k.sina.com.cn/article_1649608047_6253056f020015yv8.html?from=tech&kdurlshow=1 来自 新浪网 的图片]</small> |} '''深度学习的光伏功率预测'''基于 K-means++和混合深度[[学习]]的光伏功率预测,光伏发电输出具有较强的波动性,影响电力系统的调度管理。对此,本项目提出一种基 K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型。 ==一、案例简介== 光伏发电输出具有较强的波动性,影响[[电力]]系统<ref>[https://www.sohu.com/a/237573114_196867 电力系统图解说明] ,搜狐,2018-06-25</ref>的调度管理。对此,本项目提出一种基 K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型。首先,利用 K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测[[功率]]值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间。通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本项目方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测。 ==二、技术要点== 结合历史功率和气象参数预测光伏功率的优势,提取气象参数和输出功率的非线性关系,本项目提出一种混合聚类算法和深度学习的光伏功率预测方法。首先,利用K-means++对[[数据]]集进行划分,选择合适的数据集作为训练集,搭建LSTM模型获得待修正功率值,然后利用皮尔逊相关性[[分析]] 选取关键气象参数,构造二维气象矩阵,结合CNN模型提取气象因素的自相关性和互相关性,对待修正值进行修正,提高预测精度;并且通过给予输入参数一定的随机波动,多次预测获取误差数据集,准确地实现区间预测。此外,为了验证算法的性能,选择 LSTM、CNN-LSTM及 K-LSTM算法进行对比。 ==三、应用场景== [[光伏]]功率预测 ==四、应用成效== 本项目提出和验证了基于K-means++和混合深度学习的光伏功率预测模型:①通过K-means++将数 据集划分为不同类别,根据待测时刻前1h功率选取合适的数据集作为模型的训练集,减小[[数据]]差异性对模型性能的影响;②通过 LSTM 模型处理历史功率序列,获得待修正功率值,根据皮尔逊相关性分 析选取关键气象参数,构造二维气象矩阵,便于CNN提取气象参数的相关特征,挖掘气象参数与光伏功率的非线性关系,获得修正参数,对待修正功率值进行修正,进一步提高预测准确度;③通过给予输入参数多次随机波动,获得波动数据样本,进而获得预测误差数据集,[[计算]]预测区间。通过DKASC电站4的数据<ref>[https://www.sohu.com/a/479663880_114819 数据的来源以及数据是什么?],搜狐,2021-07-26 </ref>集进行模型性能验证,所提模型的平均MAE和RMSE分别为3.8615kW和5.481kW,同时进行2h和3h预测,验证了方法的适用性。与LSTM、CNN-LSTM及K-LSTM模型相比,所提的K-CNN-LSTM模型预测精度和稳定性更高,且准确地实现了区间预测。 ==参考文献== [[Category:500 社會科學類]]
返回「
深度学习的光伏功率预测
」頁面