基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测

摘要：

光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNN-LSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537％的误差,同时比未经优化的CNN-LSTM混合神经网络算法模型减少了0.873％的误差.本文的算法模型对光伏发电功率具有更好的预测性能.

关键词：光伏发电、人工智能、卷积神经网络、长短记忆神经网络

所属期刊栏目：69

资助基金：国家自然科学基金;重庆市基础与前沿研究计划项目

在线出版日期：2020-06-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：143-149