基于LSTM和粒子群算法的多机组风电功率预测OA北大核心CSTPCD
目前,风电功率预测所使用的模型想要达到预测效果,需要对模型选择合适的超参数,但手动调参数时间成本大、可信度较低。基于此,提出了一种基于长短期记忆网络(LSTM)的多机组风电功率预测方法。首先,采用斯皮尔曼相关系数法对数据进行量化分析;其次,运用主成分分析对输入特征进行降维,提取关键信息。除此之外,针对LSTM调参困难这一问题,采用粒子群算法对LSTM每层隐含层神经元的个数进行优化。对于多机组的风电功率预测问题,以单机组为切入点,找出单机组中表现最为优异的模型,将该预测模型应用至多机组预测。实验结果表明:与其他模型相比,所提方法均方根误差下降了11.8%,平均绝对误差下降了5.03%。
吴振龙;莫艺鹏;王荣花;范鑫雨;刘艳红;郭小联;
郑州大学电气与信息工程学院,河南郑州450001山东劳动职业技术学院电气及自动化系,山东济南250300浙江省特种设备科学研究院,浙江杭州310020
动力与电气工程
长短期记忆网络风电功率预测多机组粒子群优化算法特征选择
《郑州大学学报（工学版）》 2024 (006)
P.114-121 / 8
国家自然科学基金资助项目(52106030);电力系统国家重点实验室开放课题(SKLD21KM14);郑州大学教授团队助力企业创新驱动发展专项(JSZLQY2022016);郑州大学青年人才企业合作创新团队支持计划。
评论