一种基于双通道CNN和LSTM的短期光伏功率预测方法

论文摘要

针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络（Convolutional Neural Network, CNN）进行特征提取,经融合层融合送入长短期记忆网络（Long Short-Term Memory, LSTM）进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差（Mean-Absolute Error, MAE）减小了12.3%,均方根误差（Root-Mean-Square Error, RMSE）减小了3%,实现了更高的预测精度。

论文目录

• 0 引言
• 1 相关工作
• 2 预测模型
•   2.1 双通道CNN特征提取部分
•   2.2 基于LSTM的序列预测模型
•   2.3 模型参数设置
• 3 仿真实验与结果分析
•   3.1 数据来源及数据处理
•   3.2 评价指标
•   3.3 结果分析
•     3.3.1 CNN特征提取分析
•     3.3.2 预测结果分析
• 4 结论

文章来源

类型: 期刊论文

作者: 简献忠,顾洪志,王如志

关键词: 光伏功率预测,深度学习,卷积神经网络

来源: 电力科学与工程 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 上海理工大学光电信息与计算机工程学院,上海市现代光学系统重点实验室,上海理工大学机械工程学院,北京工业大学材料科学与工程学院

基金: 国家自然科学基金项目(11774017)

分类号: TM615

页码: 7-11

总页数: 5

文件大小: 203K

下载量: 394