深度學習的光伏功率預測檢視原始碼討論檢視歷史

來自 新浪網 的圖片

深度學習的光伏功率預測基於 K-means++和混合深度學習的光伏功率預測，光伏發電輸出具有較強的波動性，影響電力系統的調度管理。對此，本項目提出一種基 K-means++和混合卷積神經網絡（CNN）與長短期記憶（LSTM）網絡的光伏功率預測模型。

一、案例簡介

光伏發電輸出具有較強的波動性，影響電力系統的調度管理。對此，本項目提出一種基 K-means++和混合卷積神經網絡（CNN）與長短期記憶（LSTM）網絡的光伏功率預測模型。首先，利用 K-means++對歷史數據集進行分類，選取合適的數據集作為訓練集；其次，搭建以歷史功率為輸入的LSTM模型獲得待修正預測功率值，採用卷積神經網絡挖掘氣象參數與光伏功率的非線性關係，獲取修正係數，對待修正預測功率值進行修正，提高預測精度；最後，在點預測模型的基礎上，給予輸入參數一定的隨機波動，進行多次預測，獲取預測誤差集，進而獲得預測區間。通過澳大利亞沙漠太陽能研究中心光伏電站數據集，選擇LSTM、CNN-LSTM及K-LSTM算法進行對比，驗證了本項目方法具有較高的預測精度和穩定性，且能實現準確的輸出功率區間預測。

二、技術要點

結合歷史功率和氣象參數預測光伏功率的優勢，提取氣象參數和輸出功率的非線性關係，本項目提出一種混合聚類算法和深度學習的光伏功率預測方法。首先，利用K-means++對數據集進行劃分，選擇合適的數據集作為訓練集，搭建LSTM模型獲得待修正功率值，然後利用皮爾遜相關性分析 選取關鍵氣象參數，構造二維氣象矩陣，結合CNN模型提取氣象因素的自相關性和互相關性，對待修正值進行修正，提高預測精度；並且通過給予輸入參數一定的隨機波動，多次預測獲取誤差數據集，準確地實現區間預測。此外，為了驗證算法的性能，選擇 LSTM、CNN-LSTM及 K-LSTM算法進行對比。

三、應用場景

光伏功率預測

四、應用成效

本項目提出和驗證了基於K-means++和混合深度學習的光伏功率預測模型：①通過K-means++將數 據集劃分為不同類別，根據待測時刻前1h功率選取合適的數據集作為模型的訓練集，減小數據差異性對模型性能的影響；②通過 LSTM 模型處理歷史功率序列，獲得待修正功率值，根據皮爾遜相關性分 析選取關鍵氣象參數，構造二維氣象矩陣，便於CNN提取氣象參數的相關特徵，挖掘氣象參數與光伏功率的非線性關係，獲得修正參數，對待修正功率值進行修正，進一步提高預測準確度；③通過給予輸入參數多次隨機波動，獲得波動數據樣本，進而獲得預測誤差數據集，計算預測區間。通過DKASC電站4的數據集進行模型性能驗證，所提模型的平均MAE和RMSE分別為3.8615kW和5.481kW，同時進行2h和3h預測，驗證了方法的適用性。與LSTM、CNN-LSTM及K-LSTM模型相比，所提的K-CNN-LSTM模型預測精度和穩定性更高，且準確地實現了區間預測。