针对广域分布式新能源普遍缺乏新能源资源监测装置,而导致功率预测精度不足的问题,提出一种基于气象资源插值与迁移学习的广域分布式光伏功率预测方法。首先,基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化插值;其...针对广域分布式新能源普遍缺乏新能源资源监测装置,而导致功率预测精度不足的问题,提出一种基于气象资源插值与迁移学习的广域分布式光伏功率预测方法。首先,基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化插值;其次,依据插值结果对具有相同气象特征的光伏电站进行自组织映射(self-organizing maps,SOM)网络聚类,并对每一类中的光伏电站进行迁移学习的源域和目标域的划分,以保证预测精度;然后,结合长短期记忆(long short term memory,LSTM)网络,引入误差修正环节,建立源域至目标域的双迁移模型;最后,以浙江省绍兴市的分布式光伏电站为实例验证该方法的有效性。相比于对各个光伏电站单独建模,所提方法能将目标域光伏电站的训练速度提高10倍以上,且在预测精度方面也有显著提升,具有一定的推广应用价值。展开更多
文摘针对广域分布式新能源普遍缺乏新能源资源监测装置,而导致功率预测精度不足的问题,提出一种基于气象资源插值与迁移学习的广域分布式光伏功率预测方法。首先,基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化插值;其次,依据插值结果对具有相同气象特征的光伏电站进行自组织映射(self-organizing maps,SOM)网络聚类,并对每一类中的光伏电站进行迁移学习的源域和目标域的划分,以保证预测精度;然后,结合长短期记忆(long short term memory,LSTM)网络,引入误差修正环节,建立源域至目标域的双迁移模型;最后,以浙江省绍兴市的分布式光伏电站为实例验证该方法的有效性。相比于对各个光伏电站单独建模,所提方法能将目标域光伏电站的训练速度提高10倍以上,且在预测精度方面也有显著提升,具有一定的推广应用价值。
