预测基于改进的蛇形优化,卷积神经网络和双向长期短期记忆网络的短期光伏发电模型
Yonggang Wang1, Yilin Yao1, Qiuying Zou1
1College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究提高了使用K-means集群和改进的蛇优化算法与卷积神经网络双向长短期记忆网络的短期光伏电力预测准确度. 集成模型在各种天气条件下实现了高预测精度.
科学领域:
- 可再生能源系统可再生能源系统
- 人工智能在能源中的作用
- 电网整合 电网整合
背景情况:
- 准确的短期光伏电力预测对于电网的稳定性和运行至关重要.
- 现有的预测方法在不同的天气条件下可能缺乏精度.
研究的目的:
- 提出一种先进的方法,以提高短期光伏功率预测的精度.
- 提高预测模型在阳光明,多云和雨天气场景中的适应性.
主要方法:
- K-意味着聚类将天气分类为晴朗,多云和雨天的场景.
- 输入特征选择的皮尔森相关系数.
- 一个改进的蛇优化算法 (使用Tent混乱映射,镜头成像向后学习,适应性扰动) 来优化卷积神经网络-双向长短期记忆 (CNN-BiLSTM) 网络.
主要成果:
- 拟议的CNN-BiLSTM模型,通过增强的蛇算法进行优化,表现出高的预测准确性.
- 实现的回归系数为0.99216 (阳光明),0.95772 (多云),0.93163 (雨天) 日.
- 该方法在各种天气条件下显示出卓越的预测精度和适应性.
结论:
- 集成的K-means集群,改进的蛇形优化和CNN-BiLSTM模型显著提高了短期光伏电力预测.
- 这种方法为光伏发电可靠的电网集成提供了强大的解决方案.
