變更

'''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。

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。

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。

[[ 光伏 ]] 功率预测

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。