張弛,朱宗玖

(安徽理工大學(xué)電氣與信息工程學(xué)院,淮南 232001)

在電網(wǎng)系統(tǒng)的安全調(diào)用、使用規(guī)劃、穩(wěn)定運(yùn)行中,光伏功率預(yù)測起著至關(guān)重要的作用。一個(gè)良好的預(yù)測模型有助于維持電力系統(tǒng)安全可靠地運(yùn)行,使能源更加合理有效地使用,提高經(jīng)濟(jì)效益。根據(jù)以往研究統(tǒng)計(jì),提高短期預(yù)測的準(zhǔn)確性的方法有很多,例如人工智能法與統(tǒng)計(jì)學(xué)法。統(tǒng)計(jì)學(xué)方法的底層邏輯是數(shù)學(xué)模型,如多元線性回歸分析,該方法主要用在線性模型中,而對(duì)于隨機(jī)性較強(qiáng)的功率預(yù)測(具有較強(qiáng)的非線性特征),在該類型預(yù)測方面模型效果較差。常見的預(yù)測模型如神經(jīng)網(wǎng)絡(luò)在對(duì)光伏發(fā)電功率進(jìn)行預(yù)測時(shí),由于部分環(huán)境因素對(duì)光伏功率的影響被忽略,從而導(dǎo)致信息的有效利用率不足。近年,人工智能技術(shù)廣泛用于各個(gè)工業(yè)領(lǐng)域,光伏功率預(yù)測也逐漸向著具有不同結(jié)構(gòu)的深度學(xué)習(xí)方向發(fā)展,而高精度預(yù)測的一個(gè)重要問題是由于負(fù)荷數(shù)據(jù)的復(fù)雜性和時(shí)序性導(dǎo)致特征不易抓取。隨著深度學(xué)習(xí)的發(fā)展,深度神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)逐漸應(yīng)用到復(fù)合預(yù)測領(lǐng)域如短期負(fù)荷預(yù)測問題中,功率預(yù)測精度上雖有所提升,但由于功率數(shù)據(jù)具有時(shí)序特征,往往容易被忽略。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)可解決上述時(shí)序問題,RNN引入循環(huán)結(jié)構(gòu)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行擬合,但是存在梯度消失的問題。長短期記憶(long-term and short-term memory,LSTM)網(wǎng)絡(luò)通過加入內(nèi)存單元可解決梯度消失的問題,對(duì)于數(shù)據(jù)序列中的規(guī)律走向有著更完整的學(xué)習(xí)能力,通過歷史功率數(shù)據(jù)的分析可擁有更高的長時(shí)間預(yù)測精度。文獻(xiàn)[1]基于環(huán)境因素和歷史數(shù)據(jù),提出一種復(fù)合結(jié)構(gòu)網(wǎng)絡(luò),采用主成分分析、經(jīng)驗(yàn)?zāi)B(tài)分解和長短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)光伏功率預(yù)測;文獻(xiàn)[2]提出一種極限學(xué)習(xí)機(jī)和修正互補(bǔ)經(jīng)驗(yàn)?zāi)B(tài)分解的風(fēng)速預(yù)測模型;文獻(xiàn)[3]提出一種完備集成經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition with adaptive noise,CEEMEDAN)并與結(jié)合自適應(yīng)白噪聲相結(jié)合,最小二乘支持向量機(jī)(least squares support vector machines,LSSVM)和差分自回歸移動(dòng)平均模型(autoregressive integrated moving average,ARIMA)的短期光伏功率預(yù)測方法。

基于以上研究,現(xiàn)提出一種基于ARIMA與改進(jìn)結(jié)合自適應(yīng)白噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解(improved complementary ensemble empirical mode decomposition with adaptive noise,ICEEMEDAN)的LSTM神經(jīng)網(wǎng)絡(luò)光伏功率預(yù)測模型。首先對(duì)光伏數(shù)據(jù)集做預(yù)處理使之成為可直接進(jìn)行實(shí)驗(yàn)的數(shù)據(jù)序列。利用LSTM建立初級(jí)預(yù)測模型,導(dǎo)入經(jīng)預(yù)處理后的光伏電站監(jiān)測數(shù)據(jù),其次結(jié)合歷史數(shù)據(jù)建立ICEEMEDAN-ARIMA殘差預(yù)測模型,該模型用于對(duì)初步預(yù)測結(jié)果的修正,最終實(shí)現(xiàn)對(duì)光伏功率進(jìn)一步預(yù)測。將經(jīng)實(shí)驗(yàn)結(jié)果對(duì)比,復(fù)合模型有效地提高了光伏發(fā)電功率的預(yù)測精度。與傳統(tǒng)反向(back propagation)BP神經(jīng)網(wǎng)絡(luò)及單一LSTM,EMD-LSTM等機(jī)器學(xué)習(xí)模型對(duì)比,提出的模型預(yù)測精度更高。

1 光伏功率影響因素分析

1.1 原理介紹

光伏功率預(yù)測,按照時(shí)間尺度范圍的分類可以分為如表1所示的三大類[4]。按方法分類大致可分為基于歷史實(shí)測數(shù)據(jù)的統(tǒng)計(jì)方法、基于站點(diǎn)周邊環(huán)境因素等的物理方法、數(shù)值天氣預(yù)報(bào)方法(numerical weather prediction,NWP)和機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法[5]。主流方法是基于NWP的光伏發(fā)電功率預(yù)測,由于準(zhǔn)確的數(shù)值天氣預(yù)報(bào)很難獲得,因此目前在光伏發(fā)電功率預(yù)測的問題上,統(tǒng)計(jì)方法的應(yīng)用更為廣泛。

表1 光伏功率預(yù)測時(shí)常與精度

光伏功率具有隨機(jī)性和波動(dòng)性,這是由于光照和云層生消所決定的自然屬性。容量較小的電站并網(wǎng)對(duì)電網(wǎng)的影響較小,隨著光伏滲透率的增大,光伏集群功率的波動(dòng)性對(duì)電網(wǎng)的安全運(yùn)行存在不可忽略的影響,但隨著光伏集群容量的逐漸增大所帶來的影響并不會(huì)成比例增加。研究表明,隨著光伏集群總?cè)萘康奶嵘?不同位置光伏電站的出力波動(dòng)程度存在一定的抵消[6]。即光伏集群的輸出總功率存在波動(dòng)性并在日周期內(nèi)會(huì)逐漸降低,該現(xiàn)象稱為“匯聚效應(yīng)”,主要原因在于光伏集群占地面積廣闊,不同地理區(qū)域光伏電站所接受的輻照度及云層遮擋存在空間上的差異。

1.2 影響因素

光照強(qiáng)度是光伏發(fā)電系統(tǒng)實(shí)時(shí)輸出功率的決定性因素[7]。忽略其他因素對(duì)功率的影響,光伏功率與輻照度的數(shù)學(xué)模型表達(dá)式為

(1)

式(1)中:Pb為光伏電站的實(shí)測功率,MW;Psn為該光伏電站的整場裝機(jī)容量,MW;Gstd為額定輻照度,W/m2;Rc為臨界輻照度,在超過該輻照強(qiáng)度后光伏出力與輻照度的關(guān)系變?yōu)榫€性;Gbt為第t小時(shí)實(shí)測輻照度,W/m2,Gbt對(duì)應(yīng)功率序列由對(duì)歷史輻照強(qiáng)度的概率分布抽樣獲得[8]。

本次數(shù)據(jù)采取澳大利亞(DKASC)光伏發(fā)電站集群中2016年的實(shí)時(shí)監(jiān)測數(shù)據(jù)進(jìn)行分析,監(jiān)測變量包括風(fēng)速、攝氏溫度、輻照度、最大風(fēng)速等七組不同數(shù)據(jù),該光伏電站輸出功率的采樣間隔為5 min,每日采集的數(shù)據(jù)規(guī)模為7×298(輸入矩陣的橫縱軸)。

圖1所示為實(shí)測數(shù)據(jù)輻照度與功率的散點(diǎn)圖,通過計(jì)算該光伏電站2016年全年實(shí)測輻照度與功率散點(diǎn)圖以及散點(diǎn)擬合曲線,尤拉(Yulara Solar Systom)電站組的功率與輻照度相關(guān)系數(shù)[采用概率統(tǒng)計(jì)中的線性相關(guān)系數(shù)r(X,Y)來表示]為0.821 4,斯普林斯(Alice Springs)電站組的功率與輻照度相關(guān)系數(shù)為0.998 2,由此可以得出輻照度與功率整體呈正相關(guān)。

圖1 光伏功率與輻照度關(guān)系

2 基于LSTM的光伏功率預(yù)測模型

2.1 模型概述

長短期記憶神經(jīng)網(wǎng)絡(luò)是一種具有記憶和篩選功能的網(wǎng)絡(luò)結(jié)構(gòu),如圖2所示LSTM中的單個(gè)細(xì)胞模塊包含一個(gè)雙曲正切結(jié)構(gòu)(hyperbolic tangent),三個(gè)Sigmoid和四個(gè)交互的層[9],相比于RNN,LSTM的交互方式非常特殊。

圖2 LSTM細(xì)胞結(jié)構(gòu)

首先,“忘記門”的結(jié)構(gòu)中會(huì)生成需要丟棄的部分細(xì)胞狀態(tài)的信息[10],通過讀取輸入(本單元)和輸出(上一個(gè)單元),“忘記門”做一個(gè)Sigmoid映射獲取一個(gè)輸出向量(越重要的越會(huì)記住,越無關(guān)緊要的越會(huì)舍棄),最終與細(xì)胞當(dāng)前的狀態(tài)相乘。

ft=σ(Wf[ht-1,x]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

(4)

2.2 CEEMDAN-ARIMA

經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decompsition,EMD)是一種針對(duì)信號(hào)進(jìn)行變換的方法,在處理非線性不平穩(wěn)信號(hào)的問題上尤為突出,其本質(zhì)是希爾伯特-黃變換(Hilbert-Huang transform,HHT)的一部分。首先將原始信號(hào)分解為一系列本征核函數(shù)(intrinsic mode function,IMF),IMF分量是一種具有信號(hào)的局部特征的時(shí)變頻率的單分量信號(hào),可以將原始信號(hào)的分量從高頻到低頻按不同時(shí)間尺度依次提取。

EMD是一種自適應(yīng)時(shí)頻分析方法,容易出現(xiàn)模分量混合問題。集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decompsition,EEMD)解決了這個(gè)問題,然而,EEMD帶來了較高的計(jì)算成本,并且重建的信號(hào)包含殘余噪聲。為了解決這些限制,開發(fā)了互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition,CEEMD)。EEMD和CEEMD 都傾向于產(chǎn)生不正確的組件。完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decompsition,CEEMDAN)解決了這些題,但完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解仍然存在一些問題。由此,ICEEMDAN方法被提出[11],在后處理過程中,應(yīng)用ICEEMDAN將殘差序列分解為若干個(gè)子序列,便于預(yù)測誤差序列。

差分自回歸移動(dòng)平均(ARIMA)模型[12]是常用的時(shí)間序列預(yù)測模型。通過ARIMA來實(shí)現(xiàn)非平穩(wěn)時(shí)序的轉(zhuǎn)化,其過程可高效地將非穩(wěn)定數(shù)據(jù)轉(zhuǎn)換為穩(wěn)定數(shù)據(jù)。ARIMA模型已廣泛用于各種時(shí)間序列預(yù)測應(yīng)用,因?yàn)樗€(wěn)健,便于理解和易于實(shí)施。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

實(shí)驗(yàn)中使用均方根誤差(root mean square error,RMSE)、均方誤差(mean square error,MSE)和R2[13]來作為評(píng)價(jià)模型性能好壞的標(biāo)準(zhǔn),其相應(yīng)表達(dá)式如下。

均方誤差[14]是預(yù)測值與真實(shí)值偏差的平方和的平均數(shù)。均方誤差的數(shù)學(xué)表達(dá)式為

(5)

均方根誤差即真實(shí)值與預(yù)測值之間偏差的平方和與時(shí)序次數(shù)比值的平方根。其數(shù)學(xué)表達(dá)式為

(6)

R2的取值范圍為[0,1],如果是負(fù)數(shù),則考慮非線性相關(guān)[15],結(jié)果越趨近于0時(shí),模型擬合效果越差,結(jié)果為1時(shí),模型擬合效果最好。通常R2越大,代表模型擬合越趨于完美。R2的數(shù)學(xué)表達(dá)式為

(7)

3 建模過程

模型的搭建首先是單一模型LSTM的使用,由于單一模型對(duì)數(shù)據(jù)只做預(yù)處理和一次處理,精度無法得到進(jìn)一步提升,所以這里需要采用二次處理即后續(xù)的誤差修正模型對(duì)模型整體性能進(jìn)行優(yōu)化[16]。詳細(xì)建模步驟如下。

(1)將采集數(shù)據(jù)作為特征輸入到LSTM模型中,對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,空缺數(shù)據(jù)和異常數(shù)據(jù)用上一單元數(shù)據(jù)填補(bǔ),并對(duì)數(shù)據(jù)進(jìn)行歸一化處理[17]。首先利用LSTM模型通過特征輸入進(jìn)行初步預(yù)測,該步驟完成后輸出即為預(yù)測量,通過預(yù)測量與真實(shí)量的值獲取殘差值并輸出到下一模型。

(2)利用ICEEMDAN對(duì)殘差序列進(jìn)行分解,獲取不同頻段的IMF,再用ARIMA對(duì)分解后的各殘差序列進(jìn)行預(yù)測,模型結(jié)構(gòu)如圖3所示。

(3)殘差序列被ICEEMDAN分解為若干個(gè)子序列后,利用ARIMA模型對(duì)每個(gè)誤差子序列進(jìn)行預(yù)測。圖3所示為ARIMA模型獲得的每個(gè)誤差子序列的超前一步預(yù)測結(jié)果。然后將各個(gè)子序列的預(yù)測值聚合,得到殘差的預(yù)測值。

(4)將殘差預(yù)測值與(1)中獲得的LSTM預(yù)測值得到的預(yù)測值相加,得到最終的功率預(yù)測結(jié)果。

4 模型結(jié)果分析

4.1 敏感性分析

算例部分采用的數(shù)據(jù)為日期為DKASC 2016年的光伏數(shù)據(jù)集,分別從Yulara Solar Systom光伏電站與Alice Springs光伏電站中各選取一組數(shù)據(jù),單組數(shù)據(jù)共含有12 d的數(shù)據(jù)量共3 456組。訓(xùn)練集與測試集按75%與25%的比例劃分[18],分配完成并調(diào)整模型的基礎(chǔ)參數(shù),將訓(xùn)練集與測試集輸入LSTM模型之中進(jìn)行訓(xùn)練,訓(xùn)練完成的LSTM模型與ICEEMEDAN-ARIMA模型協(xié)同作用輸出最終預(yù)測結(jié)果。

針對(duì)不同的天氣變量,包括太陽角度和地外輻照度進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測實(shí)驗(yàn),以確定哪些是預(yù)測光伏發(fā)電功率的良好預(yù)測因子[19]。結(jié)果如圖4所示,分別為去除表2中A～G六組變量后的模型以及H組中包含全部變量的模型誤差對(duì)照(對(duì)照標(biāo)準(zhǔn)為MAE)。通常水平面總輻照度(global horizontal irradiation,GHI)是光伏功率模型預(yù)測變量出力的主要因素,如果不將GHI作為輸入,模型的準(zhǔn)確性會(huì)大大下降,當(dāng)排除日照時(shí),圖4中的MAE會(huì)增加。標(biāo)記(輸入集中不包括陽光)的MAE框的四分位距相較于其余框比較大,標(biāo)記(輸入集中不包括陽光)的MAE框的中值大于其余箱形圖的中值。

圖4 LSTM模型對(duì)不同天氣變量敏感性

表2 不同組去除變量的編號(hào)

如圖4所示,當(dāng)變量A、B、C、F去除之后,MAE的中值相較于其他組明顯較低,這表明風(fēng)速、攝氏溫度、水平面總輻照度、最大風(fēng)速是預(yù)測光伏功率的重要天氣變量。如果將所有天氣變量都包括在內(nèi)(表2中的編號(hào)H)作為輸入,則光伏功率神經(jīng)網(wǎng)絡(luò)預(yù)測誤差的中值減小,MAE的最大值、上四分位值、中值、下四分位值也會(huì)有所減小(圖4)。

通過損失函數(shù)來估量在模型訓(xùn)練中預(yù)測值與真實(shí)值的偏差程度[20],它的值為正且總在0～1,通常使用L[Y,f(x)]來表示,損失函數(shù)的大小決定模型魯棒性的優(yōu)劣。圖5為Yulara Solar Systom和Alice Springs兩個(gè)光伏電站光伏功率預(yù)測模型的損失函數(shù)?？梢钥闯?在訓(xùn)練次數(shù)小于10的范圍,模型損失率會(huì)隨次數(shù)增加而快速下降,當(dāng)訓(xùn)練次數(shù)大于10則逐漸趨于穩(wěn)定。

圖5 電站訓(xùn)練集與測試集損失函數(shù)

4.2 測量結(jié)果分析

通過時(shí)序數(shù)據(jù)獲得定量的本征模函數(shù)(本次實(shí)驗(yàn)中本征模函數(shù)的個(gè)數(shù)為7,橫坐標(biāo)刻度為時(shí)間序列)[21]。首先利用ICEEMDAN模型對(duì)原始功率殘差進(jìn)行分解,該方法可以解決CEEMDAN中殘留噪聲和偽模態(tài)的問題。將原始?xì)埐罘纸鉃镮MF1～MF7七個(gè)不同頻段,每個(gè)頻段都包含時(shí)變頻率信息。分解結(jié)果如圖6所示,可以看出,波形的頻率特征(波形密集度)主要成分集中在前三個(gè)本征模函數(shù)中,且范圍較窄,這也是時(shí)序數(shù)據(jù)中最重要的組成部分,能夠反映時(shí)序數(shù)據(jù)的主要特征。尾部分量IMF7是分解后的殘余分量,幾乎不包含原始時(shí)序信號(hào)的頻段特征,主要作用提供數(shù)值累加。

圖6 Yulara Solar Systom電站功率殘差分解結(jié)果

下一步利用ARIMA模型對(duì)各功率的子信號(hào)進(jìn)行預(yù)測。這里的基本算法是以ICEEMDAN-ARIMA模型的框架,搭建出殘差預(yù)測模型。

該模型的步驟為如下。

利用ARIMA模型對(duì)分解后的IMF部分進(jìn)行預(yù)測,該步驟最終得到預(yù)測結(jié)果的線性部分,數(shù)據(jù)序列的非線性Rn序列由預(yù)測結(jié)果與原始數(shù)據(jù)進(jìn)行求差得到,將所獲取的殘差序列重新排序得到ICEEMDAN模型的新樣本序列,利用ARIMA模型對(duì)各部分樣本序列做出預(yù)測得到預(yù)測結(jié)果,最后將兩部分預(yù)測結(jié)果即線性部分與Rn進(jìn)行加和,得到最終的組合殘差預(yù)測結(jié)果。

圖7所示為部分殘差預(yù)測預(yù)測結(jié)果(IMF1～I(xiàn)MF7)與原始數(shù)據(jù)的重合度,可以看出,從1到7,隨著分解度的提高,預(yù)測精度會(huì)有明顯地提升。

圖7 ARIMA模型下Alice Springs電站殘差序列預(yù)測值

然后將各個(gè)分解序列的ARIMA模型預(yù)測值進(jìn)行合并,獲得最終殘差序列的預(yù)測值。如圖8展示了殘差序列真實(shí)值和預(yù)測值。

圖8 Alice Springs電站不同模型預(yù)測值與真實(shí)值對(duì)比

圖9為Alice Springs與Yulara Solar Systom電站在兩個(gè)不同模型中的測量結(jié)果的統(tǒng)計(jì)圖。對(duì)比模型有兩個(gè),第一部分包括LSTM,它們是單一模型。第二部分是修正后的模型LSTM-ICEEMDAN-ARIMA,單一模型和混合模型之間的性能比較如下所示,可以看出LSTM模型對(duì)原始數(shù)據(jù)的規(guī)律捕捉和刻畫能力較差,功率值在同一時(shí)序下的變化規(guī)律與基于ICEEMEDAN-ARIMA的LSTM組合模型的預(yù)測結(jié)果較為相似,修正模型LSTM-ICEEMDAN-ARIMA相較于單一模型LSTM要更貼近真實(shí)值,修正模型整體的平均R2在數(shù)值上更高,為96.35%,而單一模型的平均R2為94.11%。因此,修正預(yù)測模型的整體預(yù)測精度更高。

圖9 Alice Springs與Yulara Solar Systom電站不同模型預(yù)測值與真實(shí)值對(duì)比

表3展示了對(duì)于Alice Springs和Yulara Solar Systom兩個(gè)不同的發(fā)電站預(yù)測數(shù)據(jù)的評(píng)估值(每組重復(fù)測量三次),由圖9、表3分析可知,對(duì)比RMSE和R2值,合成模型LSTM-ICEEMDAN-ARIMA的準(zhǔn)確度相較于單一模型LSTM有一定的提高,誤差上則有所降低,符合實(shí)驗(yàn)預(yù)期。對(duì)于Alice Springs電站與Yulara Solar Systom電站的功率預(yù)測實(shí)驗(yàn),混合預(yù)測模型的MSE與單一的LSTM模型相比,分別降低了52.2%～61.22%,5.2%～24.79%,RMSE分別降低了30.86%～37.72%,4.78%～13.23%。R2則分別提高了2.15%～3.27%,0～0.07%。

表3 不同評(píng)價(jià)指標(biāo)模型準(zhǔn)確率對(duì)比

LSTM神經(jīng)網(wǎng)絡(luò)模型與LSTM-ICEEMDAN-ARIMA模型的預(yù)測誤差對(duì)照表如表3所示,分別為MSE、RMSE、R2三組測量誤差對(duì)比,每組測量三次。

5 結(jié)論

本文分析了各種影響因素下不同光伏集群功率短期預(yù)測模型的性質(zhì),針對(duì)光伏功率輸出值波動(dòng)性較大及隨機(jī)性較強(qiáng)的問題,提出了一種基于LSTM-ICEEMDAN-ARIMA神經(jīng)網(wǎng)絡(luò)的光伏電站發(fā)電功率的混合預(yù)測模型,ICEEMDAN模型的加入使光伏功率中具有較大波動(dòng)性的序列得以準(zhǔn)確預(yù)測,該方法中的ARIMA也可以直接作為預(yù)測光伏功率的預(yù)處理模型。實(shí)驗(yàn)中主要考慮風(fēng)速、天氣溫度、全球水平輻射、風(fēng)向、降雨量、最大風(fēng)速、空氣壓力7組變量,本研究進(jìn)行了兩組對(duì)比實(shí)驗(yàn),算例分析得到以下結(jié)論。

(1)采用ICEEMDAN對(duì)光伏變量進(jìn)行分解,對(duì)不同本征模分量及殘差項(xiàng)進(jìn)行預(yù)測,可降低光伏序列隨機(jī)性對(duì)預(yù)測結(jié)果的干擾。

(2) 利用LSTM神經(jīng)網(wǎng)絡(luò)和ICEEMDAN-ARIMA模型對(duì)多變量時(shí)間序列與光伏功率序列之間的非線性關(guān)系進(jìn)行動(dòng)態(tài)時(shí)間建模,構(gòu)建混合預(yù)測模型,包括預(yù)處理和后處理模型,該模型比單一模型具有更高的預(yù)測精度。

(3)后處理模型比單獨(dú)的LSTM具有更高的預(yù)測精度。特別是,LSTM-ICEEMDAN-ARIMA模型在兩個(gè)研究地點(diǎn)將RMSE誤差值分別降低了37.72%和13.23%,R2則分別提高了3.27%,0.07%。

本文測試了LSTM模型及其復(fù)合模型在光伏預(yù)測領(lǐng)域的實(shí)用性,提出的預(yù)測模型在光伏并網(wǎng)系統(tǒng)及光伏能源的運(yùn)輸調(diào)度中具有一定意義,在實(shí)際工程中擁有良好的前景與應(yīng)用價(jià)值。