基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

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.

关键词：光伏功率预测、数字孪生、LSTM、迁移学习

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

在线出版日期：2022-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1363-1371,中插19