全国电力技术协作网首页
CopyRight 2012-2014 DS文库版权所有
基于LSTM 和BP 神经网络的联合光伏功率预测
(0 次评价)97 人阅读0 次下载
精益管理 - 177 - 基于 LSTM 和 BP 神经网络的 联合光伏功率预测 国网甘肃省电力公司定西供电公司,刘琼、田晓梨 安徽继远软件有限公司,陶鹏、左晨亮、刘潇、花凌峰、刘晓强、郑杰文、曹嘉振、费晓虎 摘 要:由于光伏发电的不稳定性,提升光伏功率预测效果成为一项具有挑战性的研究,光伏功率预测成为近些年 来的研究重点。本论文使用一种基于 LSTM 和 BP 神经网络的混合模型来进行光伏发电功率预测。首先使用 BP 神经网络分 析气象实况数据与光伏发电实际功率的关系。其次,使用 LSTM 神经网络降低气象预测数据的误差。再次,提出一种基于 LSTM 和 BP 神经网络的混合模型---CLBN,将这个模型用在气象实况数据、气象预测数据、光伏发电实际功率数据上。最 后,将 CLBN 模型与 BP 神经网络及 SVM 算法进行比较。实验结果显示,CLBN 模型的效果要明显好于 BP 神经网络及 SVM 算法。 关键词:光伏功率;气象数据;LSTM;BP 神经网络 由于全球能源危机和环境污染问题,光伏发电 得到了迅速发展和应用。然而,气象因素的波动使 得光伏发电出现波动性、间歇性和随机性,严重威 胁电网系统的安全性。因此,准确预测光伏发电功 率不仅可以减少气象因素变化对电网的影响,同时 也能保证电网的稳定运行。所以,光伏发电功率预 测成为了研究的焦点。 根据预测时间的长短,光伏发电功率预测可分 为长期预测、中期预测和短期预测。中期预测和长 期预测的时长通常是几个月到几年,主要满足电网 和光伏电站的建设和维护;短期预测的时长通常是 几分钟到几天,主要配合电力调度部门合理规划调 度用电以及妥善安排备用容量。短期预测相比于中 长期预测具有更强的实用性和较高的预测精度,因 此很多学者将关注点放在了光伏发电功率的短期预测。 学者们提出了各种模型来解决光伏发电功率的 短期预测问题。 一种方法 [1]是使用 SVM (支持向量机) 预测气温,再用气温预测光伏发电功率。但是一些 实验表明气温对光伏发电功率的影响很小,所以这 个模型不够实用。文献[2]提出一种基于天气分类和 SVM 的方法去预测光伏系统的输出功率。 首先将气候 条件分为四类,然后对每类天气条件采用 SVM 来预 测光伏发电功率。与[2]相似,[3]提出了一种基于 天气类型的总样本聚类方法,然后利用 SVM 预测每 种天气类型下光伏输出功率。虽然[2]和[3]都能获 得很好的精度,但由于模型大多需要实时迭代,因 此对模型进行分类和聚类的过程比较复杂,不适合 实际应用。因为神经网络可以用来解决复杂的非线 性问题,而且在语音识别、图像处理和自然语言方 面过程中也被证明了具有强大的能力,所以许多学 者致力于使用神经网络算法来进行光伏发电功率预 测。使用 BP 神经网络 [4]、[5]预测光伏发电量。[4]中 的输入特征包括历史气象数据和历史功率数据,但 是这个方法没有利用光伏发电的时间序列特性。 [6] 利用 T-S 模糊神经网络建立模型并进行了实验,结 果表明使用 T-S 模糊神经网络的准确性优于使用 BP 神经网络的准确性。由于 BP 神经网络对初始值敏感 很容易陷入局部最优, 因此 [7]使用了遗传算法去寻找 合适的初始值。结果表明,使用遗传算法可以加快

打分:

0 星

用户评论:

关于我们 | 联系我们 | 版权声明 | 企业服务 | 媒体合作
备案号:京ICP备13025456号-2 | 客服电话:010-66186680 | 反馈建议:13701278405@163.com