关键词:
小样本
光伏发电
功率预测
灰狼优化算法
集成长短期记忆网络
摘要:
为提高样本数量受限情况下的光伏功率预测精度,提出了一种基于集成神经网络的组合预测方法。该方法由改进灰狼优化算法(Improved grey wolf optimization,IGWO)、变分模态分解(Variational mode decomposition,VMD)和集成长短期记忆网络(Ensemble long short-term memory,EnLSTM)组成。首先,使用皮尔逊相关系数法分析相关气象要素,得到强相关气象因子。然后,基于Circle混沌映射、非线性收敛因子和动态权重策略改进灰狼优化算法并利用IGWO对VMD和EnLSTM进行参数优化。接着,利用VMD对具有波动特性的原始光伏功率数据进行分解,简化映射关系。最后,通过EnLSTM实现多个功率分量的预测输出,再将模态分量的预测结果相加得到预测的光伏功率。算例结果表明,相较于传统LSTM、单一EnLSTM、双层BP网络三者中的最好成绩,所提方法点预测均方误差减少了31.67%;在概率预测对比实验中,所提模型相比传统贝叶斯神经网络,区间预测覆盖率提升22.87%,预测区间平均带宽缩小23.31%,预测精度得到显著提升。