基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测
为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合和挖掘统计特征构造辐照度×辐照度、均值、标准差等组合特征,并通过Filter法和Embedded法进行特征选择.在TensorFlow框架下通过算例对比验证了所提模型及特征工程工作对光伏功率预测性能的提升效果.
光伏功率预测、宽度&深度模型、极限梯度提升、长短时记忆网络、特征工程、模型融合
41
TM615(发电、发电厂)
中央高校基本科研业务费专项2017MS093
2021-07-26(万方平台首次上网日期,不代表论文的发表时间)
共7页
31-37