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