Page 67 - 电力与能源2023年第六期
P. 67

第 44 卷 第 6 期                          电力与能源
                   2023 年 12 月                                                                          613

                                                                                       DOI:10.11973/dlyny202306011
                  能源技术


                    基于 WOA-BiLSTM 模型的短期光伏出力预测




                              关小宇 ,龚新程 ,杨小玲 ,吴信立 ,郭                            超 ,樊       东  1
                                                                        1
                                       1
                                                             1
                                                  2
                                                                                   1
                                            (1. 上海华电奉贤热电有限公司,上海 201499;
                                          2. 国网上海市电力公司市区供电公司,上海 200080)
                    摘   要:针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短
                    期记忆神经网络(WOA-BiLSTM)的光伏出力短期预测模型。利用鲸鱼算法(WOA)进行参数寻优,完成对
                    双向长短期记忆神经网络(BiLSTM)模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验
                    证。预测结果显示:相较于长短期记忆神经网络(LSTM)与 BiLSTM 预测模型,WOA-BiLSTM 模型可以在
                    一定程度上提高预测的精度。
                    关键词:光伏出力预测;时间序列;鲸鱼优化算法;双向长短期记忆神经网络
                    作者简介:关小宇(1994—),女,硕士,助理工程师,从事发电厂电气二次继电保护工作。
                    中图分类号:TM615    文献标志码:A    文章编号:2095-1256(2023)06-0613-04
                            Short-Term PV Output Prediction Based on WOA-BiLSTM Model



                                                                                          1
                                                    2
                                                                    1
                                   1
                                                                              1



                      GUAN Xiaoyu ,GONG Xincheng ,YANG Xiaoling ,WU Xinli ,GUO Chao ,FAN Dong         1


                              (1.Shanghai Huadian Fengxian Thermal Power Co.,Ltd.,Shanghai 201499,China;



                                2.State Grid Urban Power Supply Company,SMEPC,Shanghai 200080,China)




                    Abstract: In  view  of  the  problems  that  the  photovoltaic  power  generation  system  is  greatly  affected  by
                    environmental  factors  and  the  prediction  accuracy  is  low,  a  short-term  prediction  of  photovoltaic  output  is
                    proposed  based  on  the  whale  optimization  algorithm  for  bidirectional  Short  term  memory  network  (WOA-
                    BiLSTM).  Whale  optimization  algorithm  (WOA)  was  adopted  to  optimize  parameters,  and  the  optimal
                    hyperparameters of BiLSTM model were selected. The historical PV data of a photovoltaic power station in East
                    China was verified. The prediction results show that WOA-BiLSTM can improve the prediction accuracy of the
                    model to some extent compared with LSTM and BiLSTM.

                    Key words:photovoltaic power prediction,time series,whale optimization algorithm,bidirectional long/short-



                    term memory network
                    随着全球不可再生能源数量日益减少,社会                          时监测数据,提高预测的准确性和可靠性。
                                         [1]
                对清洁能源的需求不断增长 。光伏预测的准确                                近年来国内外学者针对传统预测算法的不足
                性对能源规划和运营管理至关重要。按照时间尺                            进行了系列研究。例如,文献[10]提出一种经验
                度对光伏预测进行分类,可分为超短期预测、短期                           模态分解、主成分分析和长短期记忆神经网络相
                                 [2]
                预测和中长期预测 。超短期预测通常是指对未                            结合的光伏出力预测模型;文献[11]基于深度信
                                          [3]
                来 4 h 的光伏发电量进行预测 ;短期预测通常是                        念网络、耦合支持向量机和长短期记忆神经网络,
                指对未来 4 h~3 d 的光伏光伏发电量进行预测 ;                      提 出 了 一 种 新 的 光 伏 出 力 组 合 预 测 方 法 ;文 献
                                                         [4]
                中长期预测涉及对未来几天到几周的发电量进行                           [12]提出了一种基于动态时间弯曲和变分模态分
                    [5]
                                                       [6]
                预测 。按照预测结果对光伏预测进行分类 ,可                           解的粒子群优化的 BP 神经网络光伏出力预测方
                          [7]
                                     [8]
                分为点预测 、概率预测 和区间预测 。通过选                           法。这些方法能够根据历史数据和实时监测数据
                                                 [9]
                择合适的预测方法,可以充分利用历史数据和实                            进行模式识别和趋势分析,进而预测未来光伏发
   62   63   64   65   66   67   68   69   70   71   72