基于CEEMD-LSTM光伏短期功率预测
作者:
作者单位:

作者简介:

通讯作者:

中图分类号:

TM615

基金项目:


Short-Term Photovoltaic Power Forecasting Based on CEEMD-LSTM
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,本文提出一种基于完全经验模态分解(Complete Ensemble Empirical Mode Decomposition , CEEMD)和长短期记忆神经网络(Long Short-Term Memory , LSTM)相结合的光伏短期功率预测模型。首先充分考虑影响光伏出力的太阳辐照度,相对湿度,大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。本文在海南一孤立海岛分布式光伏电站37kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。

    Abstract:

    Addressing the issue of inaccurate photovoltaic (PV) power prediction due to changing environmental factors and non-stationary sequences, this study introduces a novel PV short-term power prediction model. Unlike traditional machine learning algorithms that merely fit historical datasets, this model combines Complete Ensemble Empirical Mode Decomposition (CEEMD) and Long Short-Term Memory (LSTM). Firstly, using CEEMD, meteorological data were decomposed into multi-modal feature data, capturing temporal and frequency characteristics. Then, the LSTM network then modeled these as time series, preserving their inherent properties and non-stationary features. After training on decomposed signals, power forecasts were obtained by superimposed reconstruction. Validated with an 8-month dataset from a southern China PV station, the method enhanced short-term PV power forecasting accuracy.

    参考文献
    相似文献
    引证文献
引用本文

梁亚峰,马立红,邱剑洪,等. 基于CEEMD-LSTM光伏短期功率预测[J]. 科学技术与工程, 2024, 24(13): 5396-5405.
Liang Yafeng, Ma Lihong, Qiu Jianhong, et al. Short-Term Photovoltaic Power Forecasting Based on CEEMD-LSTM[J]. Science Technology and Engineering,2024,24(13):5396-5405.

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2023-07-10
  • 最后修改日期:2024-03-01
  • 录用日期:2023-10-10
  • 在线发布日期: 2024-05-17
  • 出版日期:
×
亟待确认版面费归属稿件,敬请作者关注
《科学技术与工程》入选维普《中文科技期刊数据库》自然科学类期刊月度下载排行榜TOP10