关键词:
深度学习
光伏功率预测
VMD
GRU网络
注意力机制
摘要:
为解决光伏功率预测时不确定性强、影响因素较多等问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的光伏功率预测方法。首先,对原始的光伏功率数据进行变分模态分解分解,分解为不同频率较平稳的模态分量;其次,计算不同模态分量的排列熵,根据排列熵将不同分量进一步合并,并在考虑不同影响因素(温度、辐射等)的条件下,分别将不同频率模态分量(intrinsic mode function,IMF)经过双向门控循环单元-自注意力(bi-directional gated recurrent unitattention,BiGRU-Attention)模型进行预测;最后,将不同频率分量的预测结果叠加重构得到最终预测值。对中国某地区光伏功率数据进行实验测试,实验结果表明,提出的模型相较于BiGRU模型,平均绝对百分比误差(MAPE)、均方误差(RMSE)和平均绝对误差(MAE),分别降低了11.25%、8.51%和11.92%,其预测误差得到显著降低。