基于K-medoids-GBDT-PSO-LSTM組合模型的短期光伏功率預測

打開文本圖片集

摘 要：為保障電網供需平衡和安全穩(wěn)定運行，提高大型光伏電站功率預測的精度，提出一種基于K中心點聚類算法（K-medoids）、梯度提升樹（GBDT）和粒子群優(yōu)化算法（PSO）組合優(yōu)化的長短期記憶神經網絡（LSTM）的光伏功率短期預測模型。首先，采用K-medoids聚類算法對大規(guī)模光伏發(fā)電數(shù)據樣本中的天氣數(shù)據進行不同類別聚類，分為晴天、陰天和雨/雪天3種天氣類型；然后，在已有數(shù)據基礎上構造特征工程，使用GBDT算法分別進行特征重要性分析，篩選出對光伏功率預測具有顯著影響的特征，并構建合適大小結構的優(yōu)化數(shù)據集；最后，將重構后的數(shù)據集代入PSO算法優(yōu)化的LSTM模型進行訓練，以建立短期預測模型。（剩余14794字）