关键词:
短期
光伏功率预测
残差反转一维卷积
双向长短期记忆网络
Luong注意力机制
深度学习
摘要:
由于化石能源对环境有一定程度的危害,太阳能作为可再生的绿色能源,受到广泛关注。光伏发电是太阳能的利用途径之一,其相关技术正飞速发展。然而,光伏发电由于受到天气及其他因素的影响,具有不稳定性的特点。因此,为了保证发电策略的科学性,光伏发电功率预测极为重要。为了提高短期光伏发电预测的准确性,提出了一种基于特征融合和多路径的深度学习模型。首先,该模型使用变分模态分解(Variational Mode Decomposition,VMD)对历史发电功率序列进行分解,并结合斯皮尔曼相关系数(Spearman Correlation Coefficient,SCC)处理无关序列和异常值,形成每个包含本征模函数序列的矩阵。接着,将矩阵数据输入预测模型,该模型利用残差反转一维卷积(Residual Reverse One-dimensional Convolution,RROC),通过为每个结构提供不同数量的卷积核以及多路径结构来实现特征融合。此外,该方法还引入了堆叠的双向长短期记忆网络(Bidirectional Long Short Term Memory,BiLSTM)和Luong注意力机制,使网络更加精密。最终,将每个本征模函数的输出相加得到每个点或区间的预测值。与其他方法相比,基于多路径双向长短期记忆网络(Multiple-Path BiLSTM,MPBiLSTM)的模型具有更好的预测结果。