【技术实现步骤摘要】
本专利技术涉及光伏发电功率预测方法,具体涉及一种基于bi-lstm的光伏发电功率预测方法。
技术介绍
1、目前,对光伏发电功率进行预测的主要技术是基于数据驱动的方法,即结合历史发电数据和气象数据,构建预测模型以实现高精度的功率预测。通常情况下,需要收集大量的历史数据,并对数据进行预处理,包括清洗、归一化和特征工程来提升数据质量、加速模型训练、提升性能,提高模型预测精度。通过选择合适的预测模型,利用训练集对模型进行训练和调优,最终在测试集上评估模型的性能。当模型达到预期精度后,可以用于实时预测光伏发电功率,从而优化电力系统的运行。
2、在预测模型的选择中,常见的一种方法是使用gru算法(门控循环单元)。gru算法是一种用于处理序列数据的神经网络架构,其核心在于通过更新门和重置门的协同作用实现信息的有效传递和更新。在gru单元中,更新门负责决定当前时刻的隐藏状态保留多少前一时刻的信息,而重置门则控制前一时刻隐藏状态对当前时刻的影响程度。
3、具体实现时,首先接收输入序列,并结合前一时刻的隐藏状态,通过更新门和重置门计
...【技术保护点】
1.一种基于Bi-LSTM的光伏发电功率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Bi-LSTM的光伏发电功率预测方法,其特征在于,Bi-LSTM循环神经网络模型包括:双向LSTM层、Dropout层和全连接层;Dropout层位于双向LSTM层之间,全连接层位于输出层。
3.根据权利要求1所述的基于Bi-LSTM的光伏发电功率预测方法,其特征在于,所述获取光伏发电功率的历史数据以及相关的气象数据作为模型数据的步骤中,气象数据包括光照强度、温度、湿度和风速。
4.根据权利要求1所述的基于Bi-LSTM的光伏发
...【技术特征摘要】
1.一种基于bi-lstm的光伏发电功率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于bi-lstm的光伏发电功率预测方法,其特征在于,bi-lstm循环神经网络模型包括:双向lstm层、dropout层和全连接层;dropout层位于双向lstm层之间,全连接层位于输出层。
3.根据权利要求1所述的基于bi-lstm的光伏发电功率预测方法,其特征在于,所述获取光伏发电功率的历史数据以及相关的气象数据作为模型数据的步骤中,气象数据包括光照强度、温度、湿度和风速。
4.根据权利要求1所述的基于bi-lstm的光伏发电功率预测方法,其特征在于,所述对模型数据进行预处理的步骤中,预处理方式包括:利用局部异常因子算法剔除异常值;对模型数据进行归一化处理;将预处理后的模型数据划分为训练集、验证集和测试集。
5.根据权利要求1所述的基于bi-lstm的光伏发电功率预测方法,其特征在于,所述将预处理后的模型数据输入至bi-lstm循环神经网络模型进行训练的步骤中,在训练过程中,采用交叉验证方法来评估模型的性能,使用早停法来防止过拟合。
6.根据权利要求1所述的基于bi-lstm的光伏发电功率...
【专利技术属性】
技术研发人员:陈仕军,朱峻嬉,冯靖瑶,孙世康,郑淑娴,金典,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。