典型文献
基于LSTM与迁移学习的光伏发电功率预测数字孪生模型
文献摘要：
文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中.光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间.文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性.
文献关键词：
光伏功率预测;数字孪生;LSTM;迁移学习
中图分类号：
作者姓名：
史凯钰;张东霞;韩肖清;解治军
作者机构：
电力系统运行与控制山西省重点实验室(太原理工大学),山西省 太原市 030024
文献出处：
引用格式：
[1]史凯钰;张东霞;韩肖清;解治军-.基于LSTM与迁移学习的光伏发电功率预测数字孪生模型)[J].电网技术,2022(04):1363-1371,中插19
A类：
B类：
迁移学习,光伏发电功率预测,数字孪生模型,长短期记忆网络,long,short,term,memory,network,向光,模型应用,运行时间,光伏系统,太阳辐照度,随机因素,间歇性,波动性,难进,光伏功率预测,物理实体,实时更新,传统预测,历史数据,学到,数据有限,模型训练,训练时间,Queensland,开源,同站,山西晋,清洁能源,能源公司,数据验证
AB值：
0.265099
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。
