研究目的
开发一种新型的短期光伏发电预测技术,该技术利用多个光伏站点的位置信息和历史发电数据以实现精准预测。
研究成果
所提出的STCNN模型能有效捕捉云层覆盖和云层运动,在NRMSE、MAPE和MASE指标上优于基于AR、FNN和LSTM的其他预测模型。当聚合多个光伏站点时,该模型也显示出最高的误差降低率,使其成为短期时空光伏预测的一种有前景的方法。
研究不足
所提出的STCNN模型在历史光伏数据周期不足(例如仅有一年)时尤为有效——这可能是许多新建光伏电站的典型情况。但当可获得更长期的历史数据时(如超过五年),复杂度更高的方法可能具有更高精度。
1:实验设计与方法选择:
本研究提出一种时空卷积神经网络(STCNN)用于多站点光伏预测,利用贪婪邻接算法(GAA)将光伏数据预处理为能捕捉时空相关性的时空矩阵。
2:样本选择与数据来源:
研究采用美国国家可再生能源实验室(NREL)发布的加州238个站点、纽约州67个站点和阿拉巴马州103个站点的光伏发电数据。
3:实验设备与材料清单:
研究使用包含三类网络层的卷积神经网络(CNN):卷积层、最大池化层和全连接层。
4:实验流程与操作步骤:
GAA算法将光伏发电站点序列化,将二维空间信息转换为一维数据,构建作为CNN输入的时空矩阵。通过训练CNN模型预测未来H小时的光伏发电量。
5:数据分析方法:
采用归一化均方根误差(NRMSE)、平均绝对百分比误差(MAPE)和平均绝对比例误差(MASE)三项指标评估各预测方案的性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容