- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[2020年IEEE国际大数据与智能计算会议(BigComp) - 韩国釜山(2020.2.19-2020.2.22)] 2020年IEEE国际大数据与智能计算会议(BigComp) - 基于长短期记忆神经网络的光伏发电预测迁移学习研究
摘要： 数据驱动建模是光伏（PV）发电预测的研究热点之一。然而，对于一些新建的光伏电站，缺乏足够的历史数据来训练精确的模型。因此，为缺乏历史数据的光伏电站构建预测模型是一个亟待解决的问题。本文提出一种将历史太阳辐照度数据获得的知识迁移到输出预测的方法。首先基于长短期记忆神经网络（LSTM）的超参数进行优化并预训练神经元中的权重，然后用光伏输出数据对深度迁移模型进行微调。通过这种方式，可以将知识从太阳辐照度数据迁移到光伏输出数据。实验结果表明，该方法能显著降低预测误差。
关键词： 长短期记忆、迁移学习、光伏功率预测、超参数优化、数据挖掘
更新于2025-09-23 15:21:01
-
基于卷积神经网络-樽海鞘群算法的短期光伏功率预测
摘要： 为应对气候变化并提供绿色能源，高效利用可再生能源需要进行光伏发电短期功率预测。本文提出一种结合卷积神经网络（CNN）与樽海鞘群算法（SSA）的新型预测策略用于光伏功率输出预测。首先将历史光伏功率数据及相关气象信息划分为雨天、浓云、多云、薄云和晴天五种天气类型，通过CNN分类确定次日天气类型预测结果。针对不同天气类型建立五个CNN回归模型，每个CNN回归模型均采用樽海鞘群算法（SSA）优化以调节最佳参数。为评估所提方法性能，将其与基于SSA的支持向量机（SVM-SSA）和长短期记忆神经网络（LSTM-SSA）方法进行对比。该方案在台湾南部一座500千瓦峰值容量的光伏发电系统上进行了测试，结果表明所提出的CNN-SSA方法比SVM-SSA和LSTM-SSA方法更能适应实际发电模式。
关键词： 卷积神经网络、樽海鞘群算法、可再生能源、日前预测、光伏功率预测
更新于2025-09-23 15:21:01
-
[IEEE 2019第四届技术创新管理与工程科学国际会议(TIMES-iCON) - 泰国曼谷 (2019.12.11-2019.12.13)] 2019第四届技术创新管理与工程科学国际会议(TIMES-iCON) - 基于相关性的特征选择对光伏发电预测的影响
摘要： 本文通过实证研究分析了基于相关性的特征选择对光伏发电预测精度的影响，并筛选出能最大化预测精度的气象变量。为此，实验采用包含18个气象变量（即特征）的数据集进行验证。首先通过分析光伏发电量与各气象变量的相关性，计算每个气象变量的相关系数；随后基于相关系数的绝对值构建气象变量子集，并利用这些子集生成多个预测模型；最后通过对比各模型的预测精度，确定最优预测模型。实验结果为筛选提升光伏发电预测精度的气象变量提供了参考依据。
关键词： 相关系数、光伏功率预测、气象变量、特征选择、机器学习
更新于2025-09-19 17:13:59
-
基于LSTM-卷积网络的光伏发电预测
摘要： 太阳能本身具有波动性和间歇性的特点，这给其并入现有能源系统带来了重大挑战。精确的光伏发电预测对解决这一问题具有重要作用。随着深度学习的发展，越来越多的学者将深度学习模型应用于时间序列预测并取得了良好效果。本文提出一种混合深度学习模型（LSTM-卷积网络）并应用于光伏发电预测。该混合预测模型首先通过长短期记忆网络提取数据的时间特征，再通过卷积神经网络模型提取数据的空间特征。为展示所提混合预测模型的优越性能，将其预测结果与单一模型（长短期记忆网络、卷积神经网络）及混合网络（卷积-LSTM网络）模型的预测结果进行对比，并给出了八种误差评价指标的结果。结果表明，混合预测模型比单一预测模型具有更好的预测效果，且所提出的混合模型（先提取数据的时间特征，再提取数据的空间特征）优于卷积-LSTM网络（先提取数据的空间特征，再提取数据的时间特征）。
关键词： 卷积-LSTM网络，LSTM-卷积网络，光伏功率预测，卷积神经网络，深度学习，长短期记忆
更新于2025-09-16 10:30:52
-
基于多变量气象因素与历史功率数据集的混合GRA-LSTM模型进行小时前光伏功率预测
摘要： 由于太阳能具有清洁、取之不尽且无污染的特点，已成为解决能源与环境问题的有力手段。然而光伏发电会随天气变化呈现随机性和间歇性，这给光伏电力调度带来了挑战。因此，光伏发电功率预测成为克服这一挑战的关键基础技术之一。本文提出一种基于灰色关联分析(GRA)与长短期记忆循环神经网络(LSTM RNN)相结合的光伏电站短期功率预测方法(GRA-LSTM)。该模型采用GRA算法从历史数据集中筛选相似时段，再通过LSTM神经网络映射多气象因子与功率数据间的非线性关系。研究使用澳大利亚沙漠知识中心(DKASC)光伏系统数据集进行验证，并将本方法预测结果分别与LSTM模型、灰色关联分析-反向传播神经网络(GRA-BPNN)、灰色关联分析-径向基函数神经网络(GRA-RBFNN)及灰色关联分析-Elman神经网络(GRA-Elman)的预测结果进行对比。结果表明该模型具有良好且稳健的预测性能。
关键词： 光伏功率预测，GRA-LSTM模型，历史功率数据集，多元气象因子
更新于2025-09-16 10:30:52
-
一种光伏发电预测的混合概率估计方法
摘要： 由于天气条件的随机性，光伏发电的预测性较差。与点预测相比，光伏发电的概率预测能提供更多关于潜在不确定性的信息，这有利于电网调度和电力系统的稳定性与安全性。本文基于随机森林（RF）、模糊C均值（FCM）、稀疏高斯过程（SPGP）和改进灰狼优化器（IMGWO）算法，提出一种混合概率估计方法，用于预测一天中每小时的光伏发电概率。首先采用RF算法降低多维输入变量的维度，然后根据天气模式采用FCM方法划分数据并获得相似样本，最后应用结合SPGP和IMGWO的混合预测方法对测试数据进行预测。通过仿真和实验结果验证了所提模型（IMGWOSP）的有效性和可靠性。结果表明，该模型在准确性和实用性方面均有提升，从而可提高电网调度和电力系统的稳定性与安全性。
关键词： 光伏功率预测，备用高斯过程回归，概率预测，改进灰狼优化算法
更新于2025-09-12 10:27:22
-
[IEEE 2019年第二届人工智能与大数据国际会议（ICAIBD）- 中国成都（2019.5.25-2019.5.28）] 2019年第二届人工智能与大数据国际会议（ICAIBD）- 基于深度卷积网络的短期光伏发电预测
摘要： 天气条件等不确定因素使得光伏发电预测具有挑战性。因此，一些先进的深度学习（DL）技术已被引入该领域。然而，现有基于DL的模型对历史数据的利用通常仅限于一维功率数组，且描述功率随时间变化的信息也被忽略。不同的是，本研究提出了一种基于深度卷积网络（DCN）的模型，该模型通过结合特征学习和多维数组来尝试提高预测性能。为了匹配DCN范式并深入挖掘功率信息，我们使用历史日数据构建功率张量。我们使用来自真实世界的数据集对所提出的模型进行训练和测试，自我评估以及与几种最先进模型的比较证明了我们提案的优越性。
关键词： 卷积神经网络、功率张量、光伏功率预测、深度学习
更新于2025-09-11 14:15:04
-
基于典型气候类别下误差校准的短期光伏发电预测研究
摘要： 随着光伏发电渗透率的不断提高，其发电的不确定性与随机性对电网运行调度产生了关键影响，并导致弃光率上升。因此，亟需提高光伏功率预测的准确性。基于光伏功率预测误差的幅值与波动特性，本文提出一种考虑误差校正的短期光伏出力预测方法。首先定义典型气候类别对历史光伏功率数据进行分类：一方面，由于不同类别间误差幅值的差异不可忽略，为每个类别生成相对误差（RE）的概率密度分布，通过分布拟合模拟概率密度函数（PDF）曲线，并从拟合曲线中抽取RE样本以获取误差采样值；另一方面，基于RE的波动特性，利用近期RE数据分析预测点的误差波动情况从而获得误差补偿值，通过选取最接近补偿值的采样值作为RE的拟合值来实现对采样值的排序。在此基础上，利用RE的拟合值对光伏功率预测值进行校正，从而提升预测精度。
关键词： 拉丁超立方抽样、误差校准、光伏功率预测、非参数核密度估计、典型气候类别
更新于2025-09-11 14:15:04