基于LSTM-Attention和CNN-BiGRU误差修正的光伏功率预测

为有效分析与利用光伏功率预测模型中以特定规律分布的预测误差,提出基于LSTM-Attention和CNN-BiGRU误差修正的光伏功率预测模型。首先,引入注意力机制(Attention)弥补输入序列长时长短期记忆网络(LSTM)难以保留关键信息的不足,建立LSTM-Attention的预测模型对光伏功率进行初步预测。其次,将卷积神经网络(CNN)在非线性特征提取上的优势与双向门控循环单元(BiGRU)在防止多种特征相互干扰的优势相结合,搭建CNN-BiGRU误差预测模型对可能产生的误差进行预测,从而对初步预测结果进行修正。经过实例分析表明:与未经误差修正的预测结果进行对比,经CNN-BiGRU误差预测模型进行误差修正后在不同天气类型中均能有效提高预测精度。

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。