文献类型：期刊文章

作　　者：陈振祥[1] 林培杰[1] 程树英[1] 陈志聪[1] 吴丽君[1]

CHEN Zhenxiang;LIN Peijie;CHENG Shuying;CHEN Zhicong;WU Lijun(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Fuzhou University,Fuzhou 350116)

机构地区：[1]福州大学物理与信息工程学院微纳器件与太阳能电池研究所,福州350116

出　　处：《电气技术》

年　　份：2021

卷　　号：22

期　　号：9

起止页码：7-13

语　　种：中文

收录情况：普通刊

摘　　要：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,本文提出一种基于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,验证了本文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。

关 键 词：光伏功率预测  K-MEANS聚类 卷积神经网络 长短期记忆网络  

分 类 号：TP18] TM615]