热能动力工程

作者：董金华，徐伊洁，朱一昕，许德智

单位：国网无锡供电公司，江苏 无锡 214100,,江南大学 物联网工程学院，江苏 无锡 214026,,江南大学 物联网工程学院，江苏 无锡 214026,,江南大学 物联网工程学院，江苏 无锡 214026,

关键词：Pearson相关系数;标准化;SOM聚类;ECA;CNN

基金：国家自然科学基金（62222307）

为提高不同天气类型下光伏输出功率的预测精度，提出了一种基于注意力机制的超短期光伏预测组合模型。首先，通过皮尔逊相关系数分析，选取与光伏发电功率密切相关的关键气象因子，并对其进行逐月标准化，然后加权求和计算得到分类指标天气条件因子(Sky Condition Factor， SCF)，以降低输入变量的维度，并消除季节对天气分类的干扰和众多气象因子之间的耦合关系。其次，通过自组织映射神经网络(SelfOrganizing Map， SOM)对SCF进行无监督聚类，划分出3种天气类型。然后，在3种天气类型下分别构建卷积神经网络(Convolutional Neural Network， CNN)预测模型，并引入高效通道注意力模块（Efficient Channel Attention， ECA），自适应地为特征信息的多重通道分配相应的权重，使模型集中于重要的特征信息，提高模型的预测精度。采用历史实测数据进行仿真，结果表明：与〖JP2〗未引入ECA模块的预测模型相比，所提预测模型在3种天气类型下的预测准确度分别提高了1.006 1%，〖JP〗1.626 1%和1.610 4%，验证了该模型的有效性。

来源：2024年第3期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2024年第3期