光伏发电功率受气象因素的影响呈现出不稳定性和间歇性，准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。以澳大利亚DKASC Solar Centre光伏电站数据为研究对象，提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法...
详细信息
光伏发电功率受气象因素的影响呈现出不稳定性和间歇性，准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。以澳大利亚DKASC Solar Centre光伏电站数据为研究对象，提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和双向长短期记忆神经网络(VMD-COA-BiLSTM)的光伏功率短期预测模型。针对光伏数据的复杂非线性特征、噪声干扰以及高维特征等问题，通过K均值聚类将数据划分为3种天气类型，增强模型映射能力；利用VMD将聚类之后的原始信号分解，采用中心频率法确定最佳模态数，充分提取集合中的输入因素信息，提高数据质量；将分解后的各分量分别输入BiLSTM网络进行预测，采用COA优化BiLSTM的超参数配置，实现不同天气类型下的光伏功率的准确预测。结果表明：K均值聚类和VMD算法有效提升了数据质量，增强了输入、输出数据的耦合强度；COA优化BiLSTM模型在优化能力和收敛速度上均优于粒子群算法(PSO);所提出的VMD-COA-BiLSTM模型在晴天、多云和阴雨天的RMSE分别降低了35.24%,45.54%和42.88%,显著提高了预测精度，且能适应不同环境下的可靠预测。
暂无评论