为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量...为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。展开更多
文摘为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。
