资源分类
电力行业论文
电力行业期刊
电力行业成果
电力行业专利
电力工业标准
能源、核技术
电工
电子与信息技术
- > 电子元器件与信息技术综合
- > 电子元件
- > 电真空器件
- > 半导体分立器件
- > 微电路
- > 计算机
- > 信息处理技术
- > 电子测量与仪器
- > 电子设备专用材料、零件、结构件
- > 电子工业生产设备
仪器仪表
- > 仪器、仪表综合
- > 工业自动化仪表与控制装置
- > 电工仪器仪表
- > 物质成分分析仪器与环境监测仪器
- > 实验室仪器与真空仪器
- > 试验机与无损探伤仪器
工程建设
其他相关行业
电力行业机构
电力企业
采矿业
制造业
- > 通用设备制造业
- > 专用设备制造业
- > 交通运输设备制造业
- > 电气机械及器材制造业
- > 通信设备、计算机及其他电子设备制造业
- > 仪器仪表及文化、办公用机械制造业
- > 金属制品业
- > 非金属矿物制品业
基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测 2023年1月1日 【正式出版版本】 【曾经优先出版版本】
基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测
A photovoltaic power forecasting method based on EEMD-Kmeans-ALO-LSTM 2023年1月1日 【正式出版版本】 【曾经优先出版版本】
A photovoltaic power forecasting method based on EEMD-Kmeans-ALO-LSTM
-
摘要： - 光伏功率预测对电网调度具有重要意义.针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)、K均值聚类算法(Kmeans clustering algorithm,Kmeans)和蚁狮优化(ant lion optimization,ALO)算法优化的长短期记忆神经网络(long short-term memory network,LSTM)的光伏功率组合预测模型.对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值.与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高.
|
|
朱坤
付青
|
|---|---|
| Author： | ZHU Kun FU Qing |
|
|
中山大学物理学院,广东广州510275 |
|
|
电源技术 ISTIC EI SCI PKU CSSCI |
|
|
Chinese Journal of Power Sources ISTIC EI SCI PKU CSSCI |
|
|
2023, 47(1) |
|
|
TM615 |
|
|
Kmeans聚类
集成经验模态分解
蚁狮优化算法
长短期记忆神经网络
光伏功率预测
|
|
|
|
|
|
2023年2月22日 |
|
|
国家自然科学基金，珠海市产学研项目，佛山市深入推进创新驱动助力工程项目 |
返回顶部参考文献
返回顶部引证文献
返回顶部本文读者也读过
返回顶部相似文献
返回顶部相关博文
京公网安备11010802020237号