文献类型：期刊文章

作　　者：王振浩[1] 王翀[1] 成龙[1] 李国庆[1] 郜佳兴[2]

WANG Zhenhao;WANG Chong;CHENG Long;LI Guoqing;GAO Jiaxing(Key Laboratory of Modern Power System Simulation and Control&Renewable Energy Technology,Ministry of Education(Northeast Electric Power University),Jilin 132012,China;Jinzhou Power Supply Company,State Grid Liaoning Electric Power Co.,Ltd.,Jinzhou 121000,China)

机构地区：[1]现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林132012 [2]国网辽宁省电力有限公司锦州供电公司,锦州121000

出　　处：《高电压技术》

基　　金：国家电网有限公司科技项目(NY71-19-013)。

年　　份：2022

卷　　号：48

期　　号：10

起止页码：4133-4142

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高对具有较强随机性和波动性特征光伏功率时间序列预测的精确性,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和粒子群优化(particle swarm optimization,PSO)的长短期记忆神经网络(long short-term memory network,LSTM)光伏功率组合预测模型。首先将光伏功率历史数据进行EEMD分解后得到的一组本征模态分量函数(intrinsic mode function,IMF)和剩余项分别输入经PSO算法优化的LSTM模型进行分量功率预测;然后将所有分量预测值叠加,输出光伏功率预测结果;最后分别以我国江苏、青海、河南的3座光伏电站历史数据建立对比算例,结果表明所提模型在不同功率波动特征下均能够实现较好的预测效果,对3个地区的平均预测准确度到达95%以上,明显优于其他单一模型,具有较强的适用性和精确性。

关 键 词：光伏功率预测  集合经验模态分解  深度学习  LSTM神经网络  粒子群算法 组合模型  

分 类 号：TM615] TP18]