当前位置:
X-MOL 学术
›
Renew. Energy
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
基于条件时间序列生成对抗网络的多步超前光伏功率预测新型混合模型
Renewable Energy ( IF 9.0 ) Pub Date : 2022-09-12 , DOI: 10.1016/j.renene.2022.08.134 Fengyun Li , Haofeng Zheng , Xingmei Li
"点击查看英文标题和摘要"
更新日期:2022-09-15
Renewable Energy ( IF 9.0 ) Pub Date : 2022-09-12 , DOI: 10.1016/j.renene.2022.08.134 Fengyun Li , Haofeng Zheng , Xingmei Li
光伏发电预测的准确性对电力市场交易中新能源发电项目的收益至关重要。然而,由于光伏发电具有高度随机波动性和间歇性特点,难以构建高性能的光伏发电预测模型。本研究提出了一种多步光伏发电短期混合预测模型,该模型结合了改进的麻雀搜索算法、模糊c均值算法(FCM)、改进的自适应噪声完全集成经验模态分解(ICCEMDAN)、和条件时间序列生成对抗网络(CTGAN)。首先,提出了一种基于FCM和数据包络理论的数据聚类新方法,根据相似的功率模式划分数据集,并通过改进的麻雀搜索算法对参数进行优化。其次,结合灰色关联分析和特征创建,确定预测日的最佳相似日。此外,利用ICCEMDAN对原始光伏功率时间序列进行分解,并通过样本熵重构分量,以降低预测模型的计算成本。最后,使用 Wasserstein 距离、梯度惩罚和 Metropolis-Hastings 来保证 CTGAN 训练的稳定性。根据实验结果可以得出结论,数据包络聚类方法比气象因素更合理地划分数据集。麻雀搜索算法的优化增加了其全局和局部优化能力,进一步提升了FCM的性能。使用 CTGAN 生成近似真实数据分布的真实数据,可以训练出性能更好的预测模型,从而提高其对光伏功率波动的适应能力。所提出的混合模型基于不同季节、不同天气条件和来自不同地点的数据集进行了验证,结果证明了所提出的 38 步预测模型在准确性、应用和泛化能力方面优于本研究中涉及的其他模型.
![](https://scdn.x-mol.com/jcss/images/paperTranslation.png)
"点击查看英文标题和摘要"