基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测 |
| |
引用本文: | 朱坤,付青.基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测[J].电源技术,2023(1):103-107. |
| |
作者姓名: | 朱坤 付青 |
| |
作者单位: | 中山大学物理学院 |
| |
基金项目: | 国家自然科学基金(61871410); |
| |
摘 要: | 光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。
|
关 键 词: | Kmeans聚类 集成经验模态分解 蚁狮优化算法 长短期记忆神经网络 光伏功率预测 |
|
|