典型文献
基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测
文献摘要：
由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要.提出种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neural network,PCNN)和双向长短期记忆网络(bi-directional long short term memory,BiLSTM)的组合预测方法,用于不同天气类型的超短期光伏发电功率预测.首先,由相关性分析算法确定辐照度和温度是对光伏发电贡献最大的2个环境变量,并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类;其次,使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解,以降低原始数据的复杂度和非平稳性,实现不同模式模态分量规律互补;最后,建立基于PCNN和BiLSTM的组合预测模型,使用PCNN提取不同的深度特征,并将PCNN输出的特征融合后输入到BiLSTM中,使用BiLSTM建立历史数据之间的时间特征关系,学习历史数据间的正、反向规律,在时空相关性分析的基础上得到最终光伏发电功率预测结果.实验结果表明,提出的组合预测方法在超短期光伏发电功率预测中具有较高的准确性和稳定性,并优于其他深度学习方法.
文献关键词：
光伏发电;多通道输入;并联卷积神经网络;双向长短期记忆神经网络;功率预测
中图分类号：
作者姓名：
毕贵红;赵鑫;陈臣鹏;陈仕龙;李璐;谢旭;骆钊
作者机构：
昆明理工大学电力工程学院,云南省 昆明市650500
文献出处：
引用格式：
[1]毕贵红;赵鑫;陈臣鹏;陈仕龙;李璐;谢旭;骆钊-.基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测)[J].电网技术,2022(09):3463-3476
A类：
多模式分解,并联卷积神经网络
B类：
多通道输入,PCNN,BiLSTM,超短期预测,随机性,光伏发电功率预测,光伏电站,短期调度,发电计划,行至,parallel,convolutional,neural,network,双向长短期记忆网络,bi,directional,long,short,term,memory,组合预测方法,不同天气,天气类型,辐照度,环境变量,光伏功率,功率波动,波动特征,年数,数据划分,完全集合经验模态分解,奇异谱分解,变分模态分解,原始数据,非平稳性,不同模式,模态分量,量规,组合预测模型,深度特征,特征融合,历史数据,时间特征,特征关系,时空相关性,上得,深度学习方法,双向长短期记忆神经网络
AB值：
0.243431
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。
