基于集成长短期记忆网络的小样本短期光伏功率预测

摘要

为提高样本数量受限情况下的光伏功率预测精度，提出了一种基于集成神经网络的组合预测方法。该方法由改进灰狼优化算法（Improved grey wolf optimization, IGWO）、变分模态分解（Variationalmodedecomposition,VMD）和集成长短期记忆网络（Ensemblelong short-term memory, EnLSTM）组成。首先，使用皮尔逊相关系数法分析相关气象要素，得到强相关气象因子。然后，基于Circle混沌映射、非线性收敛因子和动态权重策略改进灰狼优化算法并利用IGWO对VMD和EnLSTM进行参数优化。接着，利用VMD对具有波动特性的原始光伏功率数据进行分解，简化映射关系。最后，通过En LSTM实现多个功率分量的预测输出，再将模态分量的预测结果相加得到预测的光伏功率。算例结果表明，相较于传统LSTM、单一EnLSTM、双层BP网络三者中的最好成绩，所提方法点预测均方误差减少了31.67%；在概率预测对比实验中，所提模型相比传统贝叶斯神经网络，区间预测覆盖率提升22.87%，预测区间平均带宽缩小23.31%，预测精度得到显著提升。

关键词

小样本 / 光伏发电 / 功率预测 / 灰狼优化算法 / 集成长短期记忆网络