基于生成对抗网络的小样本光伏发电短期预测

摘要：

光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素.利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法.利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充.通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型.公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4％,对新建的太阳能电站发电预测具有实际指导意义.

关键词：生成式对抗网络(generative adversarial network、GAN)、光伏预测、深度迁移学习、小样本、长短时记忆神经网络

所属期刊栏目：46

分类号：TM615(发电、发电厂)

资助基金：国网上海市电力公司科技项目52090F20007L

在线出版日期：2022-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1325-1329