典型文献
基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测
文献摘要：
精确的短期光伏功率区间概率预测可以有效量化光伏功率预测的不确定性,对于新型电力系统运行调度避险至关重要.为了提高模型预测性能,基于气象变量的数据特征提出模糊C均值(fuizzy C-means,FCM)聚类方法,将历史数据集聚类为晴天、晴转多云和阴雨天,采用与测试集具有相似天气类型的历史数据作为训练样本训练模型;集合卷积神经网络(convolutional neural network,CNN)模型出色的特征提取优势,双向长短期记忆(bidirectional long short term memory,BiLSTM)神经网络模型擅长双向捕捉长时间序列中长期依赖关系的优势,以及可生成区间预测结果的分位数回归(quantile regression,QR)模型,提出QR-CNN-BiLSTM深度学习融合模型,计及筛选得到的多种气象因素,对光伏功率进行以5 min为间隔的精细时间粒度分类区间预测,最后采用交叉验证和网格搜索方法的核密度估计给出概率密度预测结果.选取多种评价指标对提出的模型进行评价,并与QR-LSTM、QR-BiLSTM模型预测结果做对比分析,结果表明:1)FCM算法能有效实现光伏历史数据集的聚类;2)QR-CNN-BiLSTM融合模型能够生成以5 min为间隔的高质量区间预测结果,95％置信预测区间综合评价指标平均值由QR-LSTM、QR-BiLSTM的0.137 1、0.128 8减小到0.097 1;3)基于交叉验证和网格搜索方法的核密度估计能够实现可靠的光伏功率概率密度预测结果生成.
文献关键词：
概率区间预测;深度学习;分位数回归;核密度估计;卷积神经网络;双向长短期记忆神经网络
中图分类号：
作者姓名：
王开艳;杜浩东;贾嵘;刘恒;梁岩;王雪妍
作者机构：
西安理工大学电气工程学院,西安710048
文献出处：
引用格式：
[1]王开艳;杜浩东;贾嵘;刘恒;梁岩;王雪妍-.基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测)[J].高电压技术,2022(11):4372-4384
A类：
区间概率预测,fuizzy,晴转多云
B类：
相似日,QR,BiLSTM,光伏功率预测,新型电力系统,电力系统运行,运行调度,避险,预测性能,数据特征,出模,means,FCM,聚类方法,历史数据,晴天,云和,阴雨天,测试集,天气类型,训练样本,样本训练,训练模型,convolutional,neural,network,出色,bidirectional,long,short,term,memory,擅长,长时间序列,依赖关系,分位数回归,quantile,regression,融合模型,选得,气象因素,时间粒度,交叉验证,网格搜索,搜索方法,核密度估计,概率密度,密度预测,预测区间,综合评价指标,结果生成,概率区间预测,双向长短期记忆神经网络
AB值：
0.293671
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。
