基于数字孪生和改进LSTM的光伏发电预测技术

作者：徐鹤勇; 张倩

来源：热能动力工程, 2023, 38(02): 84-100.

DOI：10.16146/j.cnki.rndlgc.2023.02.012

• 光伏发电
• 功率预测
• 数字孪生
• 神经网络
• 集成学习

为提高光伏发电功率预测的精度和时效性，降低电网调度的安全隐患，提出了一种基于数字孪生模型、联合神经网络以及融合预测模型的光伏发电功率预测技术。该技术以针对常态预测的CNN-LSTM网络和针对超短期预测的集成学习融合预测模型为核心，以光伏发电系统的数字孪生模型为基础框架，以某光伏电站的实测数据为基础进行了分析，实现了实时的多模式光伏发电功率精确预测。结果表明：改进的CNN-LSTM联合网络模型能够实现较高预测精度，相比于现有的主流预测算法精度提高了约36%～58%;针对超短期的发电功率预测这一难点，集成学习融合框架可以进一步将预测精度提高25%左右。

• 单位
  宁夏电力调度控制中心