论文摘要
针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。
论文目录
文章来源
类型: 期刊论文
作者: 叶興,薛家祥
关键词: 光伏发电,长短期记忆网络,深度学习,循环神经网络
来源: 中国测试 2019年11期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 华南理工大学机械与汽车工程学院
基金: 福建省自然科学基金项目(2018J01541),2015东莞市引进第三批创新科研团队项目(2017360004004),广州市南沙区科技计划项目(2017CX009,2016CX010),广东省交通厅科技项目(科技-2017-02-041)
分类号: TM615
页码: 14-20
总页数: 7
文件大小: 1404K
下载量: 296