基于混合图卷积网络与长短期记忆方法的可再生能源短期功率预测
系统与控制
2022-02-08 v2 机器学习
系统与控制
摘要
准确的太阳能与风能短期功率预测在电力系统规划与运行中起着重要作用。然而,由于输出功率的波动性与间歇性,以及受局地气象条件影响随时间动态变化(即时空相关性),可再生能源短期功率预测一直被视为复杂的回归问题。为同时捕捉时空特征,本文提出一种基于图神经网络的新颖短期功率预测方法,其结合了图卷积网络(GCN)与长短期记忆(LSTM)。具体而言,GCN用于学习相邻可再生能源间的复杂空间相关性,LSTM用于学习发电曲线的动态变化。仿真结果表明,所提混合方法能建模可再生能源的时空相关性,且在真实数据集上的性能优于流行的基线方法。
引用
@article{arxiv.2111.07958,
title = {Short-Term Power Prediction for Renewable Energy Using Hybrid Graph Convolutional Network and Long Short-Term Memory Approach},
author = {Wenlong Liao and Birgitte Bak-Jensen and Jayakrishnan Radhakrishna Pillai and Zhe Yang and Kuangpu Liu},
journal= {arXiv preprint arXiv:2111.07958},
year = {2022}
}
备注
This paper was accepted the 22nd Power Systems Computation Conference (PSCC 2022)