購物車(0)
基于圖機器學習的分布式光伏發(fā)電預測
闞博文; 劉廣一; KHODAYAR; Mahdi; 周建其; 魏龍飛; 譚俊; 湯亞宸 全球能源互聯(lián)網(wǎng)美國研究院; 加利福尼亞州圣何塞95134; Southern; Methodist; University; Texas; Dallas; 75205; 國網(wǎng)嘉興供電公司; 浙江嘉興314031
關鍵詞：圖機器學習 光伏預測 圖卷積 lstm dnn
摘要：文章基于圖機器學習提出了一種面向分布式光伏電站的深度時空特征提取預測模型。首先,針對臨近區(qū)域的光伏電站進行圖建模,使用長短期記憶(long short-term memory,LSTM)模型進行時間特征抓取,使用圖卷積原理對電站空間特征進行提取。根據(jù)提取的時空特征信息以及歷史數(shù)據(jù)和臨近其他區(qū)域內(nèi)光伏電站歷史發(fā)電數(shù)據(jù),訓練光伏發(fā)電預測模型。以國內(nèi)某地266個光伏電站為實驗對象,實驗結果表明基于圖機器學習的預測模型進行日前預測,預測誤差率僅為5.66%,低于其他機器學習模型預測結果。該模型針對光伏電站15min前發(fā)電預測可以捕獲當天瞬間出力變化曲線。
供用電雜志要求:
{1}所有作者的簡介，格式為：姓名（出生年份-），性別，籍貫，職稱職務，從事的工作或研究。
{2}本刊恪守學術公正之準則，取稿標準在于文章本身的學術水平，對選題新穎、論證充分、引證得當、邏輯合理、語言精準的論文優(yōu)先采用。
{3}編輯部收到來稿后進行登記編號，并送專家評審和主編審定，并在3個月內(nèi)答復作者是否錄用。如在3個月后未得到編輯部消息，可查詢，如作者未取得錄用通知可改投它刊或自行處理。
{4}引用原文文字過長（一般為三行以上）時，須將整個引文單獨成段，并左縮進兩個字符。段落字體為5號楷體，不加引號。
{5}題名應簡明、具體，能概括文章的要旨，一般不超過20個漢字。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
相關期刊
