精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测...精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。展开更多
文摘对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis,GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm,EGA)对长短期记忆网络(Long Short-Term Memory,LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。
文摘精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。
