基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测

被引：110

作者：

王晨阳 ^{[1
]}

段倩倩 ^{[1
]}

周凯 ^{[1
]}

姚静 ^{[1
]}

苏敏 ^{[1
]}

傅意超 ^{[1
]}

纪俊羊 ^{[1
]}

洪鑫 ^{[1
]}

刘雪芹 ^{[1
]}

汪志勇 ^{[2
]}

机构：

[1] 重庆理工大学理学院,绿色能源材料技术与系统重庆市重点实验室

[2] 西南大学物理科学与技术学院

来源：

物理学报 | 2020年 / 69卷 / 10期

关键词：

光伏发电; 人工智能; 卷积神经网络; 长短记忆神经网络;

D O I：

暂无

中图分类号：

TM615 [太阳能发电]; TP18 [人工智能理论];

学科分类号：

080811 [新能源发电与电能存储]; 140502 [人工智能];

摘要：

光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNNLSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537%的误差,同时比未经优化的CNNLSTM混合神经网络算法模型减少了0.873%的误差.本文的算法模型对光伏发电功率具有更好的预测性能.

引用

页码：149 / 155

页数：7

共 3 条

[1]

Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM.[J].Xiangyun Qing;Yugang Niu.Energy.2018,

[2]

Applications of grey relational method to river environment quality evaluation in China.[J].W.C. Ip;B.Q. Hu;H. Wong;J. Xia.Journal of Hydrology.2009, 3

[3]

Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance [J].

Willmott, CJ ;

Matsuura, K .

CLIMATE RESEARCH, 2005, 30 (01) :79-82

← 1 →