光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡...光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡尔曼滤波器(Kalman filter)结合的混合预测方法。Bi-LSTM模型学习气象因素特征,结合天气预报数据可减小气象因素造成的随机性误差;Kalman可以减小光伏电池阵列积灰、老化等因素带来的累积性误差。实例验证表明:长期运行条件下混合模型比单一Kalman、Bi-LSTM模型预测精度分别提高3.78%、2.50%。展开更多
文摘光伏发电功率超短期预测为电网调度煤电、储能等其他可调电源提供支持。针对气象因素随机性和光伏电池阵列积灰、老化导致光伏发电功率预测精度不高的问题,提出双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)和卡尔曼滤波器(Kalman filter)结合的混合预测方法。Bi-LSTM模型学习气象因素特征,结合天气预报数据可减小气象因素造成的随机性误差;Kalman可以减小光伏电池阵列积灰、老化等因素带来的累积性误差。实例验证表明:长期运行条件下混合模型比单一Kalman、Bi-LSTM模型预测精度分别提高3.78%、2.50%。
