典型文献
基于气象信息充分挖掘的多尺度光伏功率预测研究
文献摘要：
针对光伏功率时间序列具有波动性及预测易受环境因素影响的问题,提出一种充分挖掘气象特征的多尺度光伏功率预测模型.首先利用灰色关联分析法选取预测日的相似日,通过因子分析法对存在近似共线性的输入气象特征进行特性因子提取,然后对特性因子与光伏功率序列分别进行自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN);将分解后的模态分量分别按排列熵值重构为高、中、低频分量矩阵,最后对不同分量矩阵分别建立双向长短时记忆神经网络预测模型(bidirectional long short-term memory,BILSTM),再将各分量矩阵预测结果叠加得到光伏功率预测值.通过实验表明,该预测模型在不同天气类型下皆有较高预测精度,在阴天条件下,平均相对误差(mean relative error,MRE)分别比BILSTM、BP、LSTM模型降低6.0380％、16.9413％、20.1712％.
文献关键词：
光伏功率预测;关联分析法;因子分析;双向长短时记忆神经网络
中图分类号：
作者姓名：
李忠红;何乐生;汪静;李路迟;杨航
作者机构：
云南大学信息学院,云南昆明650500
文献出处：
引用格式：
[1]李忠红;何乐生;汪静;李路迟;杨航-.基于气象信息充分挖掘的多尺度光伏功率预测研究)[J].中国测试,2022(12):111-117
A类：
B类：
气象信息,光伏功率预测,预测研究,波动性,气象特征,功率预测模型,灰色关联分析法,相似日,因子分析法,共线性,因子提取,自适应噪声完备集成经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,模态分量,按排,排列熵,低频分量,双向长短时记忆神经网络,神经网络预测模型,bidirectional,long,short,term,memory,BILSTM,加得,不同天气,天气类型,阴天,天条,平均相对误差,mean,relative,error,MRE
AB值：
0.376301
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。
