基于滞后优化随机堆叠LSTM网络的风速与太阳辐射多步预测
《Environmetrics》:Multi-Step Forecasting of Wind Speed and Solar Irradiance Using Lag-Optimized Stochastic Stacked LSTM Networks
【字体:
大
中
小
】
时间:2026年07月26日
来源:Environmetrics 1.7
编辑推荐:
摘要
随着太阳能光伏和风能发电的快速发展,在随机气象条件下进行日前电网规划的任务愈发艰巨。尽管现有研究多集中于短期预测,但日前预测对于机组调度和电网规划仍具有重要意义。本研究提出了一种基于贝叶斯优化的随机堆叠长短期记忆网络框架,利用阿尔及利亚Adrar 20 MW太阳能光伏电站
摘要
随着太阳能光伏和风能发电的快速发展,在随机气象条件下进行日前电网规划的任务愈发艰巨。尽管现有研究多集中于短期预测,但日前预测对于机组调度和电网规划仍具有重要意义。本研究提出了一种基于贝叶斯优化的随机堆叠长短期记忆网络框架,利用阿尔及利亚Adrar 20 MW太阳能光伏电站的高分辨率15分钟数据,实现对风速和太阳辐射的96步日前预测。研究严格评估了四种输入策略:全自回归滞后模型(S-LSTM)、基于随机森林重要性排序的滞后选择模型(RF-LSTM)、工程化辅助特征模型(AUX-RF-LSTM)以及外部气象变量模型(EXG-RF-LSTM),并将这些模型与Holt-Winters模型及简单持续性模型进行了对比。结果表明,结构较为简洁的RF-LSTM在所有评估指标上均表现优异。在确定性点预测中,该模型对两种气象量的预测精度均达到最高水平(风速的R2值为85.12%,太阳辐射的R2值为97.15%),且相较于Holt-Winters模型,其残差序列相关性显著降低。通过Harvey-Leybourne-Newbold修正的Diebold-Mariano检验,这些改进在所有配对比较中均具有统计学显著性。在基于蒙特卡洛 Dropout方法的概率预测中,RF-LSTM对太阳辐射的预测校准度接近完美(PICP值为95.10%),而对风速的预测则给出了合理的风险感知型不确定性范围。有趣的是,通过引入工程化特征或外部气象变量来扩展输入空间,会因多重共线性和优化复杂性的增加而系统性降低点预测和概率预测的精度。
利益冲突
作者声明不存在任何利益冲突。
数据可用性说明
本研究的相关数据可应合理请求从对应作者处获取。由于隐私和伦理限制,这些数据并未公开。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号