基于改进CNN-LSTM的高原地区光伏功率短期预测方法OA

[目的]为响应国家“双碳”目标,我国高原地区光伏项目建设正快速推进。但由于该地区光伏出力波动性较强,传统预测方法易出现形状拟合度不佳和预测精度不高的问题,给电力系统调控带来诸多挑战。[方法]基于此,文章提出一种改进CNN-LSTM的高原地区光伏短期功率预测方法。该方法在传统CNN-LSTM模型中引入DTW距离作为曲线形状修正指标,通过Kendall不确定性加权法对损失函数中均方误差MSE和DTW距离两损失项的权重进行自适应加权,解决了多目标损失函数中权重系数依赖经验调参的难题。同时,为解决传统Kendall不确定性加权方法中存在的过拟合与局部最优等问题,在模型训练过程中引入演化博弈-突变机制对损失项的权重进行寻优,以实现对各损失项权重的动态调整,提升训练效果和预测精度。[结果]研究表明,改进的CNN-LSTM模型能够适应高原地区光伏强波动性特征,有效提升该地区的预测精度。相较于传统主流预测模型而言,改进的CNN-LSTM模型MAE平均下降37.5%,RMSE平均下降31.27%,R^(2)平均提升8%。[结论]经算例验证,所提方法在高原地区光伏短期功率预测场景下能够取得较好的预测效果,具备较强的应用潜力。