一种用于光伏发电日前预测的自适应深度学习框架

光伏发功率（PVPG）的准确预测对于优化能源供需之间的运行至关重要。近来，传感器与智能电表的普及产生了海量数据，支撑了基于数据的 PVPG 预测的发展。尽管基于历史数据的长短期记忆（LSTM）模型等新兴深度学习（DL）模型已为 PVPG 预测提供了极为成功的有效的解决方案，这些模型采用离线学习。因此，DL 模型无法利用从新到达数据中学习的机会，且无法处理由加装额外光伏单元与未预见的光伏单元故障所引起的概念漂移。为此，为提升日前 PVPG 预测精度并消除概念漂移的影响，本文提出一种自适应 LSTM（AD-LSTM）模型，该 DL 框架不仅能从历史数据中获取通用知识，还能从新到达数据中动态学习特定知识。将两阶段自适应学习策略（TP-ALS）集成入 AD-LSTM，并提出滑动窗口（SDWIN）算法以检测光伏系统中的概念漂移。利用来自光伏系统的多个数据集评估所提方法的可行性与有效性。所开发的 AD-LSTM 模型展现出优于离线 LSTM 模型的预测能力，尤其在存在概念漂移时。此外，所提 AD-LSTM 模型在日前 PVPG 预测方面也优于文献中其他传统机器学习模型与统计模型。