针对偏远地区军事系统光伏功率数据的复杂性以及现有光伏预测模型的精度低问题,提出一种基于时域卷积融合注意力机制的光伏功率预测方法。首先,利用皮尔逊相关系数识别主要变量作为输入序列,通过模糊C均值算法(fuzzy C-means,FCM)相似...针对偏远地区军事系统光伏功率数据的复杂性以及现有光伏预测模型的精度低问题,提出一种基于时域卷积融合注意力机制的光伏功率预测方法。首先,利用皮尔逊相关系数识别主要变量作为输入序列,通过模糊C均值算法(fuzzy C-means,FCM)相似日聚类将光伏功率数据划分为平稳、波动、突变3种类型以提高预测模型精确度;然后,采用自适应噪声完备集经验模态(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)分解方法对光伏功率进行分解,并根据排列熵进行重构。通过时域卷积网络(temporal convolutional network,TCN)作为时空特征提取层,并且嵌入高效通道注意力机制(efficient channel attention,ECA)单元增强卷积网络的的特征捕获能力;最后,通过双向长短期记忆网络(bidirectional long short term memory,BiLSTM)进行预测,输出功率预测结果。实验结果表明:所提出的模型具有较高的预测精度,能有效预测不同功率变化趋势下光伏出力情况。展开更多
文摘针对偏远地区军事系统光伏功率数据的复杂性以及现有光伏预测模型的精度低问题,提出一种基于时域卷积融合注意力机制的光伏功率预测方法。首先,利用皮尔逊相关系数识别主要变量作为输入序列,通过模糊C均值算法(fuzzy C-means,FCM)相似日聚类将光伏功率数据划分为平稳、波动、突变3种类型以提高预测模型精确度;然后,采用自适应噪声完备集经验模态(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)分解方法对光伏功率进行分解,并根据排列熵进行重构。通过时域卷积网络(temporal convolutional network,TCN)作为时空特征提取层,并且嵌入高效通道注意力机制(efficient channel attention,ECA)单元增强卷积网络的的特征捕获能力;最后,通过双向长短期记忆网络(bidirectional long short term memory,BiLSTM)进行预测,输出功率预测结果。实验结果表明:所提出的模型具有较高的预测精度,能有效预测不同功率变化趋势下光伏出力情况。
