基于LSTM和误差修正的光伏发电短期功率预测

摘要

为提高光伏发电并网稳定性，充分利用误差信息对模型预测结果进行修正，提出一种基于长短期记忆网络(long short-term memory, LSTM)和误差修正的光伏功率短期预测模型。首先通过LSTM对数据进行初步预测产生误差序列，然后利用经验模态分解(empirical mode decomposition, EMD)将误差序列分解成不同频率的子模态，并根据豪斯多夫距离(Hausdorff distance, HD)进行相似性度量，对每个模态分量分配权重，再利用麻雀搜索算法(sparrow search algorithm, SSA)优化的LSTM预测误差模态分量，将加权后的预测误差和预测值结合实现误差校正。通过实验证明，本文所提模型在均方根误差(RMSE)、平均绝对百分比误差(MAPE)等评价指标上都优于传统的LSTM模型、反向传播(back propagation, BP)神经网络模型以及支持向量机(support vector machine, SVM)模型，验证了组合模型的有效性。

关键词

光伏发电 / 误差修正 / 优化算法 / 经验模态分解 / 功率预测