基于NARX-LSTM混合深度循环神经网络的太阳能发电功率预测新方法
信号处理
2019-10-23 v1 系统与控制
系统与控制
摘要
天气参数的高度多变性使光伏能源发电具有间歇性和难控性。受负荷与电网间突发断连的威胁，智能电网系统的能源管理亟需精确的PV功率预测模型。对此，非线性自回归外生（NARX）是少数能处理长时间跨度预测的潜在时间序列分析模型之一，其高效且性能优良。然而，该模型常受限于梯度消失问题，影响其表现。本文探讨用于长程依赖的NARX算法。尽管其具备能力，但已发现该模型存在尤其源于梯度消失的一些问题。为弥补这些弱点，本研究提出一种在最优线性输出循环系统演化（EVOLINO）框架下将长短期记忆（LSTM）与NARX网络结合的混合技术。为说明起见，该新方法应用于澳大利亚一年的PV功率预测。所提模型提升了精度，使其优于多种基准模型。
引用
@article{arxiv.1910.10064,
title = {A Novel Approach Based Deep RNN Using Hybrid NARX-LSTM Model For Solar Power Forecasting},
author = {Mohamed Massaoudi and Ines Chihi and Lilia Sidhom and Mohamed Trabelsi and Shady S. Refaat and Fakhreddine S. Oueslati},
journal= {arXiv preprint arXiv:1910.10064},
year = {2019}
}
备注
8 pages, journal