基于改进的特征选择和APO的TCN-LSTM-AM短期光伏功率预测模型
Ning Ye1, Chaoyang Zhi1, Yongchao Yu1
1School of Automation and Electrical Engineering, Shenyang Ligong University, Shenyang 110159, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
准确的光伏 (PV) 电力预测对于电网稳定性至关重要. 这项研究引入了一个两阶段的框架,将先进的功能工程与深度学习相结合,大大提高了光伏功率预测的准确性.
科学领域:
- 可再生能源系统可再生能源系统
- 人工智能在电力工程中的应用
背景情况:
- 太阳能发电的变化挑战了电网的稳定性.
- 高精度预测对于可靠的电力系统运行至关重要.
研究的目的:
- 为光伏 (PV) 电力预测开发一个先进的框架.
- 通过整合精细的功能工程和深度学习模型来提高预测准确性.
主要方法:
- 一个两阶段的方法:功能工程 (KNN-PCC-SHAP) 和深度学习建模 (TCN-LSTM-AM与APO优化).
- KNN-PCC-SHAP识别异常,插入数据,选线性特征,并使用SHAP值分析非线性贡献.
- TCN-LSTM-AM捕获了局部细节,长期依赖和时间特征;APO优化了模型参数.
主要成果:
- 与现有模型相比,拟议的框架表现出优越的性能.
- 实现了2.1098千瓦的低根平均平方误差 (RMSE) 和1.1073千瓦的平均绝对误差 (MAE).
- 高R2值为0.9775表示出色的预测准确度.
结论:
- 精细的特征工程和深度学习模型的深度集成有效地提高了光伏功率预测的准确性.
- 拟议的框架提供了一个强有力的解决方案,以减轻太阳能发电间歇性带来的挑战.
- 通过实验对现实世界光伏发电厂数据进行验证.
