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
光伏发电在能源领域中具有重要地位。为了准确量化光伏发电功率的不确定性和波动范围,并提高区间预测的综合性能,提出了一种基于特征挖掘与改进TCN-BiGRU的光伏功率区间概率预测方法。首先,利用最大信息系数和符号传递熵因果分析,对气...光伏发电在能源领域中具有重要地位。为了准确量化光伏发电功率的不确定性和波动范围,并提高区间预测的综合性能,提出了一种基于特征挖掘与改进TCN-BiGRU的光伏功率区间概率预测方法。首先,利用最大信息系数和符号传递熵因果分析,对气象特征进行筛选,剔除冗余信息,并构造全球水平辐射趋势特征、季节性特征和天气聚类特征以提供更多有效信息。随后,结合时间模式注意力机制和分位数回归方法对TCN-BiGRU模型进行改进,构建组合模型进行区间预测。最后,采用散度度量半极差优化经验带宽选择的核密度估计(kernel density estimation,KDE)方法生成概率预测结果。通过真实光伏电站数据进行分析,验证了所提方法在光伏功率区间概率预测中具有较高的可靠性和适用性。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。
文摘光伏发电在能源领域中具有重要地位。为了准确量化光伏发电功率的不确定性和波动范围,并提高区间预测的综合性能,提出了一种基于特征挖掘与改进TCN-BiGRU的光伏功率区间概率预测方法。首先,利用最大信息系数和符号传递熵因果分析,对气象特征进行筛选,剔除冗余信息,并构造全球水平辐射趋势特征、季节性特征和天气聚类特征以提供更多有效信息。随后,结合时间模式注意力机制和分位数回归方法对TCN-BiGRU模型进行改进,构建组合模型进行区间预测。最后,采用散度度量半极差优化经验带宽选择的核密度估计(kernel density estimation,KDE)方法生成概率预测结果。通过真实光伏电站数据进行分析,验证了所提方法在光伏功率区间概率预测中具有较高的可靠性和适用性。
