因此,本文以 LSTM 网络为核心构建光伏功率预测模型。 本文在充分考虑制约光伏发电功率的 5 个主要环境因素即太阳辐照度、组件温度、空气温度、相对湿度和大气压力的前提下,针对光伏发电功率具有不稳定性和明显的间歇波 动的特点,提出一种基于 EMD-PCA-LSTM 的光伏输出功率预测模型。利用经验模态分解[20(] empirical m...
然后利用主成分分析方法[21(] principal component analysis,PCA)筛选出影响光伏输出功率的关键因子,降低模型输入参数的维度,消除由 EMD分解得到的不同波动序列的冗余性和相关性。最后,通过 LSTM 神经网络完成对多变量时间序列和光伏功率序列之间的动态时间建模,构建预测模型,最终实现对光伏输出功率的预测。与传统的 BP ...
基于EMD-PCA-LSTM的光伏功率预测模型的优点是:1. EMD方法能够将复杂的信号分解成多个局部频率成分,从而更好地捕捉其非线性特征;2. PCA降维可以减少数据的维度,提高训练效率和模型精度;3. LSTM网络具有记忆功能,能够较好地处理时间序列数据,对于光伏功率预测的长期依赖关系有较好的表现。而该模型的缺...
然后利用主成分分析方法[21(] principal component analysis,PCA)筛选出影响光伏输出功率的关键因子,降低模型输入参数的维度,消除由 EMD分解得到的不同波动序列的冗余性和相关性。最后,通过 LSTM 神经网络完成对多变量时间序列和光伏功率序列之间的动态时间建模,构建预测模型,最终实现对光伏输出功率的预测。与传统的 BP ...
动的特点,提出一种基于 EMD-PCA-LSTM 的光伏输出功率预测模型。利用经验模态分解[20(] empirical mode decomposition,EMD)方法首先将 5 种环境序列进行分解,得到不同时间尺度下的本征模态分量和剩余分量,通过将环境序列分解为各种不同的特征波动序列和细节性,从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来...