关键词:
光伏发电
发电功率预测
深度学习模型
连续变分模态分解(SVMD)
摘要:
光照的间歇性使光伏发电功率波动性较大,导致光伏发电功率的预测准确率较低。为此,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)、贝叶斯优化(Bayesian optimization,BO)算法和双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)的超短期光伏发电功率预测模型,以提高预测精度。首先,通过SVMD将原始光伏发电功率分解为多个功率分量和功率残差,以获得多个波动性小的序列;然后,使用改进的BiTCN代替单向时序卷积网络(temporal convolutional network,TCN),完成低耗时下SVMD分解结果的双向特征提取与预测;之后,使用BO算法高效寻找BiTCN超参数,从而提高BiTCN对各功率分量和功率残差的预测精度;最后,求和并重构预测结果,实现超短期光伏发电功率预测。实验证明,该模型与单一的TCN模型相比,均方根误差(root mean square error,RMSE)减小了35.18%,决定系数提升了4.82%。