基于深度卷积长短期记忆网络与核密度估计的短期概率式光伏功率预测
机器学习
2021-07-06 v1 信号处理
摘要
太阳能是一种清洁可再生能源。光伏(PV)功率是利用太阳能的重要方式。准确的光伏功率预测对光伏功率的大规模应用及电网稳定性至关重要。本文提出一种利用深度卷积长短期记忆(ConvLSTM)网络与核密度估计(KDE)的短期光伏功率预测新方法。在所提方法中，ConvLSTM用于预测未来光伏功率，KDE用于估计联合概率密度函数并给出概率置信区间。某实际光伏电站的实验验证了所提方法的有效性。与卷积神经网络(CNN)和长短期记忆网络(LSTM)的对比实验表明，ConvLSTM能结合CNN与LSTM两者优势，并在预测精度上显著优于CNN和LSTM。通过与包括多层感知机(MLP)、支持向量回归(SVR)、极限学习机(ELM)、分类与回归树(CART)和梯度提升决策树(GBDT)在内的其他五种常规方法的进一步对比，ConvLSTM对五种方法中的大多数可将预测精度显著提升20%以上，进一步验证了ConvLSTM的优越性。
引用
@article{arxiv.2107.01343,
title = {Short-term probabilistic photovoltaic power forecast based on deep convolutional long short-term memory network and kernel density estimation},
author = {Mingliang Bai and Xinyu Zhao and Zhenhua Long and Jinfu Liu and Daren Yu},
journal= {arXiv preprint arXiv:2107.01343},
year = {2021}
}