基于生成对抗网络和NGO-BiLSTM的少样本光伏功率短期预测

摘要

基于诸多光伏发电站存在数据完备性不足、数据样本质量不佳，导致光伏功率预测准确性受限的问题.提出了一种光伏功率超短期组合预测模型，该模型融合了基于梯度惩罚Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty, WGAN-GP)模型及双向长短期记忆(Bidirectional Long Short-Term Memory Network, BiLSTM)模型的技术特点.首先，对光伏发电功率与不同天气变量间的相关性进行分析，选取辐射度、温度和风速这三个对光伏发电功率影响较大的天气变量作为特征输入，以提升模型的预测精度；其次，采用WGAN-GP模型来挖掘光伏出力实际数据集的内在结构及与其密切相关的环境和气象因素之间的深层次关联，利用生成的高质量数据样本扩充原有数据集，有效提升预测模型的泛化能力；最后，采用北方苍鹰优化算法(Northern Goshawk Optimization, NGO)对BiLSTM预测模型进行参数寻优，进一步提了高光伏发电功率的预测精度.实验结果表明：经过数据增强后NGO-BiLSTM模型的预测精度可有效提升.

关键词

光伏功率预测 / 生成对抗网络 / 北方苍鹰算法 / 双向长短期记忆网络