基于GRU-BiLSTM的光伏发电中长期功率预测

作者：邵玉琢; 汪紫情; 计芯蕊; 陈奕恒; 李浩; 薛朝辉

来源：自动化应用, 2023, 64(15): 63-66.

• 光伏发电
• 中长期功率预测
• 门控循环单元神经网络
• 双向长短时记忆网络
• 集成学习

光伏发电功率中长期预测时间尺度大，预测难度高，且月预测平均误差百分数MAPE在3.5%上下波动，预测精度有可提升空间，因此，建立一种高精度的光伏功率中长期预测方法具有重要意义。鉴于门控循环单元神经网络（GRU）和双向长短时记忆网络（BiLSTM）在预测中的优秀表现，本文提出一种基于GRU和BiLSTM的光伏发电中长期功率预测方法。首先分别对GRU和BiLSTM网络进行训练得到对应的模型；然后提出一种适用于大样本数且精度较高的迭代拟合方法，利用该方法对选择的两种模型进行模型混合并预测。实验结果表明，与现有方法相比，本文方法得出的GRU-BiLSTM混合模型平均绝对误差率MAPE由3.500%降低至1.547%，决定系数R2由0.930提高至0.999，其余精度指标也有不同程度的提升，预测精度进一步提升。

• 单位
  河海大学