Статья: Оптимизация объединения нейронных сетей для прогнозирования фотоэлектрической энергии (2024)

Читать онлайн

Целью является проведение исследований в области прогнозирования выработки солнечных электростанций. В качестве объекта исследования предложена ансамблевая нейросетевая прогнозная модель ADWM на основе взвешенных нейронных сетей: сети долгой краткосрочной памяти LSTM, рекуррентной нейронной сети RNN и полносвязной нейронной сети DNN. При этом для поиска оптимальных весов использован метод безусловной оптимизации Нелдера-Мида для получения лучшей предсказательной эффективности прогнозной модели. С целью валидации предложенной прогнозной модели использованы реальные данные о выработке солнечных электростанций на основе фотоэлектрических панелей и метеорологические данные из Австралии за период – один год. Для имитации условий неустойчивой низкой инсоляции использована аугментация данных, добавление шума к набору данных. Анализ прогнозных моделей на реальных временных рядах показал, что в разные сезоны как данные выработки, так и наиболее значимые признаки существенно различаются. Установлено, что точность прогнозирования разных нейросетевых моделей в различные сезоны может существенно варьироваться. Результаты прогнозирования показывают, что предложенная комплексная модель имеет более высокую точность прогнозирования, чем отдельные модели в экстремальных погодных условиях. Для проверки надежности предложенной модели использовано скользящее окно для извлечения доверительного интервала и метод Bootstrap для расчета доверительного интервала. Таким образом, экспериментальным путем установлено, что точность и надежность прогнозирования комплексированной прогнозной нейросетевой модели ADWM выше, чем у традиционных нейросетевых моделей. Проведенные исследования позволят более эффективно использовать углеродно-нейтральные источники фотоэлектрической энергии и планировать работу энергосистем с распределенной генерацией.

This paper aims to establish a comprehensive photovoltaic power generation prediction model. By collecting photovoltaic power generation data and weather data for a year, we analyzed the photovoltaic output characteristics in different seasons and found that the output characteristics in different seasons are also different. This article uses three neural network models, Long Short Term Memory Network, Recurrent Neural Network, and Dense Neural Network, to analyze the output characteristics of different seasons. Training, prediction, and prediction error analysis found that different models have different prediction accuracy in different seasons. Therefore, this paper proposes a weighted ensemble model add weights model based on the Nelder-Mead method to train and predict different seasons respectively. By analyzing the prediction error, the prediction accuracy needs to be better than a single model. We add noise to the data set to simulate unstable lighting conditions such as rainy days, and train and predict the data set after adding noise. The prediction results show that the comprehensive model has higher prediction accuracy than a single model in extreme weather. In order to verify the reliability of the model, this article uses a sliding window to extract the confidence interval of the prediction results, and uses the Bootstrap method to calculate the confidence interval. By analyzing and comparing each model’s Average Coverage, Root Mean Squared Length, and Mean Width, the prediction accuracy and reliability of add weights model are better than those of a single model.

Ключевые фразы: прогноз мощности фотоэлектрических систем, нейросеть долгой краткосрочной памяти, рекуррентная нейросеть, полносвязная нейросеть, метод нелдера-мида
Автор (ы): Лю Cун, Парихар Картик Сингх, Патхак Микеш Кумар, Сидоров Денис Николаевич
Журнал: IPOLYTECH JOURNAL

Предпросмотр статьи

Идентификаторы и классификаторы

SCI
Физика
УДК
621.311. Энергосистемы в целом. Электростанции и подстанции. Электрофикация и сети
Префикс DOI
10.21285/1814-3520-2024-1-111-123
Для цитирования:
ЛЮ C., ПАРИХАР К. С., ПАТХАК М. К., СИДОРОВ Д. Н. ОПТИМИЗАЦИЯ ОБЪЕДИНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ФОТОЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ // IPOLYTECH JOURNAL. 2024. ТОМ 28, № 1
Текстовый фрагмент статьи