典型文献
基于生成对抗网络和LSTM-CSO的少样本光伏功率短期预测
文献摘要：
针对新建光伏发电站原始数据匮乏导致光伏功率预测精度低的问题,提出了一种基于梯度惩罚Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)和改进长短期记忆网络的光伏功率短期预测模型.首先使用WGAN-GP学习原始真实光伏数据的样本分布规律,然后生成与原始数据相似的高质量新样本,从而实现训练集数据增强;其次,采用纵横交叉算法(crisscross optimization algorithm,CSO)对长短时记忆网络(long short-term memory,LSTM)的全连接层参数进行优化,构建LSTM-CSO组合模型对光伏功率进行预测.以澳洲某光伏发电站数据进行仿真建模,实验结果表明:使用数据增强后的样本训练预测模型能够有效提高模型的预测精度,且对原始训练集数据扩充数据量的比例越大,预测模型对于光伏功率预测的精度越高.同时LSTM-CSO相对于LSTM在各个季节类型的不同气象日中均具有更高的预测准确率,以春季测试集为例,LSTM-CSO模型在春季的晴天、多云、雨天下的均方根误差相比于LSTM模型分别降低5.62％、3.44％、10.44％.
文献关键词：
光伏功率预测;生成对抗网络;梯度惩罚;长短时记忆;纵横交叉算法
中图分类号：
作者姓名：
殷豪;张铮;丁伟锋;陈嘉铭;陈黍;孟安波
作者机构：
广东工业大学自动化学院,广州510006
文献出处：
引用格式：
[1]殷豪;张铮;丁伟锋;陈嘉铭;陈黍;孟安波-.基于生成对抗网络和LSTM-CSO的少样本光伏功率短期预测)[J].高电压技术,2022(11):4342-4351
A类：
B类：
生成对抗网络,CSO,少样本,光伏功率短期预测,光伏发电站,原始数据,数据匮乏,光伏功率预测,梯度惩罚,Wasserstein,generative,adversarial,network,gradient,penalty,WGAN,GP,长短期记忆网络,样本分布,训练集,数据增强,纵横交叉算法,crisscross,optimization,algorithm,长短时记忆网络,long,short,term,memory,全连接层,组合模型,澳洲,仿真建模,使用数据,样本训练,数据扩充,充数,数据量,各个季节,同气,气象日,预测准确率,测试集,集为,晴天,多云,雨天
AB值：
0.345912
相似文献
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。
