典型文献
基于DWT-CNN-LSTM的超短期光伏发电功率预测
文献摘要：
太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定.准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性.提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional neural network,CNN)和长短期记忆神经网络(long short-term memory,LSTM)的新型域融合深度模型(DWT-CNN-LSTM),以准确地完成预测.提出的模型具有两个通道:原始通道和DWT通道.CNN分别从原始通道和DWT通道提取时域和频域特征,LSTM则用以挖掘具有长期依赖性的特征,从而形成具有长期依赖性的时域和频域的融合特征,可用于功率预测.
文献关键词：
光伏发电;超短期预测;小波分解;卷积神经网络;长短期记忆神经网络
中图分类号：
作者姓名：
刘旭丽;莫毓昌;吴哲;严珂
作者机构：
华侨大学 数学科学学院 计算科学福建省高校重点实验室 福建 泉州 362000;中国计量大学 信息工程学院 浙江 杭州 310000
文献出处：
引用格式：
[1]刘旭丽;莫毓昌;吴哲;严珂-.基于DWT-CNN-LSTM的超短期光伏发电功率预测)[J].郑州大学学报（理学版）,2022(04):86-94
A类：
B类：
DWT,光伏发电功率预测,清洁能源,气象因素,电通,准确预测,测光,电力系统,离散小波变换,discrete,wavelet,transform,convolutional,neural,network,长短期记忆神经网络,long,short,term,memory,深度模型,频域特征,融合特征,超短期预测,小波分解
AB值：
0.253564
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
