典型文献
基于CNN-GRU的光伏电站电压轨迹预测
文献摘要：
光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径.为了提升电压趋势预测精度,提出一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)的电压轨迹预测方法.首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数(maximal information coefficient,MIC),分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测.通过某地光伏电站实测数据进行验证,结果表明:本文模型与G R U、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM、支持向量回归(s u p p o r t vector regression,SVR)等模型相比预测准确度更高.
文献关键词：
光伏电站;电压轨迹预测;最大信息系数;卷积神经网络;门控循环单元
中图分类号：
作者姓名：
冯裕祺;李辉;李利娟;周彦博;谭貌;彭寒梅
作者机构：
湘潭大学 自动化与电子信息学院,湖南 湘潭 411105;湘潭大学 多能协同控制技术湖南省工程研究中心,湖南 湘潭 411105
文献出处：
引用格式：
[1]冯裕祺;李辉;李利娟;周彦博;谭貌;彭寒梅-.基于CNN-GRU的光伏电站电压轨迹预测)[J].中国电力,2022(07):163-171
A类：
电压轨迹预测
B类：
GRU,光伏电站,电站出力,随机性,并网点,趋势预测,高电压,电压稳定性,convolutional,neural,networks,门控循环单元,gated,recurrent,unit,采集单元,电压时间序列,自相关系数,最大信息系数,maximal,information,coefficient,MIC,输入数据,地光,长短期记忆网络,long,short,term,memory,支持向量回归,vector,regression,SVR,预测准确度
AB值：
0.333907
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
