基于CEEMDAN与改进LSTM的短期光伏出力预测

作者：黄浚哲; 印宇涵; 汤明轩; 梅飞

来源：电器与能效管理技术, 2023, (10): 36-43.

DOI：10.16628/j.cnki.2095-8188.2023.10.006

• 光伏出力预测
• 自适应噪声完备集成经验模态分解
• 长短时记忆神经网络
• 粒子群优化
• 注意力机制

为了提高光伏出力的预测精度，提出了一种将自适应噪声完备集成经验模态分解(CEEMDAN)算法与改进的长短时记忆(LSTM)神经网络相结合的短期光伏功率预测模型。首先，利用CEEMDAN算法对光伏功率序列进行分解，得到子序列分量。然后，使用改进的LSTM神经网络对各个子序列分量分别进行预测，用粒子群(PSO)算法优化LSTM神经网络隐藏层神经元个数、学习率与训练次数，同时使用注意力机制优化训练过程中的概率分配。最后，叠加各分量预测结果，得到最终的预测值。算例分析表明，所提模型的3个预测评估指标MAE、RMSE、R2均为最佳，验证了所提模型的优越性。

• 单位
  电气学院; 河海大学