基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度，针对目前单一模型处于不同天气状况时，预测精度难以达到最优的状况，文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类，将天气类型分为晴天(A₁)、多云(A₂)、阴天(A₃)、雨天(A₄)；通过时间卷积网络(TCN)提取数据的时序特征，并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构；TCN-GRU与LSTM神经网络动态组合后，通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值；基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下，通过与其他模型预测结果进行比较，文章提出的动态组合模型预测精度更高。