基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

• 作者: 栗然 丁星 孙帆 韩怡 刘会兰 严敬汝
• 来源期刊: 电力自动化设备
• 关键词: 光伏功率预测 宽度&深度模型 极限梯度提升 长短时记忆网络 特征工程 模型融合
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 清洁能源|CLEAN ENERGY
• 页码范围: 31-37
• 页数: 7页
• 分类号: TM615
• 语种: 中文
• DOI: 10.16081/j.epae.202103020

摘要

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合和挖掘统计特征构造辐照度×辐照度、均值、标准差等组合特征,并通过Filter法和Embedded法进行特征选择.在TensorFlow框架下通过算例对比验证了所提模型及特征工程工作对光伏功率预测性能的提升效果.