帮助 关于我们

返回检索结果

基于CEEMDAN-GSA-LSTM和SVR的光伏功率短期区间预测
Short-Term Interval Forecasting of Photovoltaic Power Based on CEEMDAN-GSA-LSTM and SVR

查看参考文献26篇

李芬 1   孙凌 1   王亚维 2   屈爱芳 3   梅念 4   赵晋斌 1  
文摘 针对光伏输出功率存在间歇性和波动性的问题,提出一种光伏功率短期区间预测模型.首先,该模型采用自适应噪声完备集合经验模态分解将历史光伏出力数据分解为不同的分量并按照其与赤纬角、时角等时序特征量的相关性定义为时序分量和随机分量.其次,分别使用经过引力搜索算法优化的长短期记忆神经网络和支持向量回归模型对时序分量和随机分量进行预测.再次,叠加时序分量和随机分量的预测结果得到点预测结果.然后,对误差进行Johnson变换及正态分布建模后得到光伏功率区间预测结果.最后,利用算例验证该模型的有效性.结果表明:在不同天气情况下,上述模型比现有预测模型精度更高,具有较好的鲁棒性,能够基于预测值提供较为精准的置信区间.
其他语种文摘 Aimed at the intermittency and fluctuation of photovoltaic output power, a short-term interval prediction model of photovoltaic power is proposed. First, the model uses the complete ensemble empirical mode decomposition of adaptive noise (CEEMDAN) to decompose the historical photovoltaic output data into different components and define them as time-series components and random components according to their correlation with time-series features such as declination and time angles. Then, the long short-term memory (LSTM) neural network and the support vector regression (SVR) model optimized by the gravitational search algorithm (GSA) are used to predict the time series components and the random components respectively, and the prediction results of the time series components and the random components are superimposed to obtain the point prediction result. After the error is subjected to Johnson transformation and normal distribution modeling, the photovoltaic power interval prediction result is obtained. Finally, the effectiveness of the method is verified by an example. The comparison of the proposed model with other existing prediction models under different weather conditions suggests that the proposed model has a higher accuracy and a better robustness, which can provide precise confidence intervals based on point prediction values.
来源 上海交通大学学报 ,2024,58(6):806-818 【核心库】
DOI 10.16183/j.cnki.jsjtu.2022.511
关键词 光伏功率预测 ; 区间预测 ; 自适应噪声完备集合经验模态分解 ; 引力搜索算法 ; 长短期记忆 ; 支持向量回归 ; Johnson变换
地址

1. 上海电力大学电气工程学院, 上海, 200090  

2. 中国船舶集团有限公司第七二二研究所低频电磁通信技术实验室, 武汉, 430205  

3. 上海师范大学数理学院, 上海, 200234  

4. 国网经济技术研究院有限公司, 北京, 102209

语种 中文
文献类型 研究性论文
ISSN 1006-2467
学科 大气科学(气象学);电工技术
基金 国家自然科学基金面上项目 ;  上海绿色能源并网工程技术研究中心
文献收藏号 CSCD:7759480

参考文献 共 26 共2页

1.  国家发展改革会. 关于促进新时代新能源高质量发展的实施方案,2022 CSCD被引 1 次    
2.  张雲钦. 基于EMD-PCA-LSTM的光伏功率预测模型. 太阳能学报,2021,42(9):62-69 CSCD被引 44 次    
3.  叶林. 考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法. 电力系统自动化,2021,45(23):31-40 CSCD被引 8 次    
4.  黎嘉明. 光伏发电功率持续时间特性的概率分布定量分析. 电力系统自动化,2017,41(6):30-36 CSCD被引 10 次    
5.  李芬. 一种新型天气分型方法及其在光伏功率预测中的应用. 上海交通大学学报,2021,55(12):1510-1519 CSCD被引 7 次    
6.  唐雅洁. 基于XGBoost的双层协同实时校正超短期光伏预测. 电力系统自动化,2021,45(7):18-27 CSCD被引 8 次    
7.  Agga A. CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research,2022,208:107908 CSCD被引 10 次    
8.  万灿. 新能源电力系统概率预测:基本概念与数学原理. 中国电机工程学报,2021,41(19):6493-6509 CSCD被引 32 次    
9.  黎敏. 超短期光伏出力区间预测算法及其应用. 电力系统自动化,2019,43(3):10-16 CSCD被引 20 次    
10.  杨茂. 基于CEEMD-DBN模型的光伏出力日前区间预测. 高电压技术,2021,47(4):1156-1164 CSCD被引 16 次    
11.  茆美琴. 基于EEMD-SVM方法的光伏电站短期出力预测. 中国电机工程学报,2013,33(34):17-24 CSCD被引 51 次    
12.  Zhang C. An evolutionary robust solar radiation prediction model based on WT-CEEMDAN and IASO-optimized outlier robust extreme learning machine. Applied Energy,2022,322:119518 CSCD被引 1 次    
13.  Rashedi E. GSA: A gravitational search algorithm. Information Sciences,2009,179(13):2232-2248 CSCD被引 309 次    
14.  Ali Khan T. A novel hybrid gravitational search particle swarm optimization algorithm. Engineering Applications of Artificial Intelligence,2021,102:104263 CSCD被引 2 次    
15.  杨晶显. 基于VMD和双重注意力机制LSTM的短期光伏功率预测. 电力系统自动化,2021,45(3):174-182 CSCD被引 53 次    
16.  苏向敬. 基于双重注意力LSTM神经网络的可解释海上风电出力预测. 电力系统自动化,2022,46(7):141-151 CSCD被引 35 次    
17.  Liu R H. A short-term probabilistic photovoltaic power prediction method based on feature selection and improved LSTM neural network. Electric Power Systems Research,2022,210:108069 CSCD被引 3 次    
18.  Li J L. A novel offshore wind farm typhoon wind speed prediction model based on PSO-Bi-LSTM improved by VMD. Energy,2022,251:123848 CSCD被引 4 次    
19.  董春曦. 支持向量机参数选择方法研究. 系统工程与电子技术,2004,26(8):1117-1120 CSCD被引 20 次    
20.  徐浩. 基于概率预测的电网静态安全运行风险评估及主动调控策略. 电力系统自动化,2022,46(1):182-191 CSCD被引 8 次    
引证文献 1 篇

1 秦长坤 基于模态分解和深度学习的煤矿微震时序预测方法 煤炭学报,2024,49(9):3781-3797
CSCD被引 0 次

显示所有1篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号