基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测
针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型.首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强.其次,结合卷积神经网络(convolutional neural network,CNN)在特征提取上的优势和长短期记忆网络(long short-term memory,LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力.此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足.实验结果表明:基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度.
光伏功率预测、生成对抗网络、卷积神经网络、长短期记忆网络、注意力机制
51
TP391.41;TP183;TN91
国家自然科学基金;新疆维吾尔自治区自然科学基金面上项目;新疆维吾尔自治区优秀青年科技人才培养项目
2023-05-26（万方平台首次上网日期，不代表论文的发表时间）
共11页
108-118
