基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究

张芸芸; 陈家乐; 李铮伟

doi:10.19911/j.1003-0417.tyn20240424.02

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究

技术应用 | 更新时间：2025-12-07

- 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究
- 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究
- 太阳能 2025年第4期页码：69-75
- 作者机构：
  
  1. 上海东方延华节能技术服务股份有限公司
  2. 同济大学机械与能源工程学院
- 作者简介：
- 基金信息：
  
  住房和城乡建设部科技示范项目(S20200064)
- DOI：10.19911/j.1003-0417.tyn20240424.02
  中图分类号： M615;TP183
- 纸质出版：2025
- 稿件说明：
移动端阅览
张芸芸, 陈家乐, 李铮伟. 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究[J]. 太阳能, 2025,(4):69-75.

张芸芸, 陈家乐, 李铮伟. 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究[J]. 2025, (4): 69-75.
张芸芸, 陈家乐, 李铮伟. 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究[J]. 太阳能, 2025,(4):69-75. DOI： 10.19911/j.1003-0417.tyn20240424.02.

张芸芸, 陈家乐, 李铮伟. 基于Inception-CNN-LSTM的光伏发电输出功率预测模型研究[J]. 2025, (4): 69-75. DOI： 10.19911/j.1003-0417.tyn20240424.02.

摘要

输出功率作为光伏发电系统运维时的重要指标，是了解光伏发电系统发电能力和运行情况的重要方式。结合Inception网络的多尺度特征提取能力、卷积神经网络(CNN)的局部特征捕捉能力和长短期记忆网络(LSTM)的时间序列建模能力，提出基于Inception-CNN-LSTM的光伏发电输出功率预测模型，并将其与其他3种模型的预测精度进行了对比。研究结果表明：Inception-CNN-LSTM模型在平均绝对百分比误差、均方根误差变异系数和模型拟合度指标方面均优于传统LSTM模型、CNN-LSTM模型和随机森林模型。该模型在电网电力调度、故障诊断和光伏组件维护方面具有广阔的应用前景，能够为光伏发电系统的高效运行提供有力支持。

Abstract

关键词

Keywords

references

Ramasamy Suganthi,Perumal Maruthupandi.CNN‐based deep learning technique for improved H7 TLI with grid‐connected photovoltaic systems[J].International Journal of Energy Research,2021.

Department of Electrical Engineering,Aswan University,Department of Electrical Engineering,Aswan University,Department of Electrical Engineering,Aswan University,Department of Electrical Engineering,Aswan University.Accurate photovoltaic power forecasting models using deep LSTM-RNN[J].Neural Computing and Applications,2019.

Donghun Lee,Kwanho Kim.Recurrent Neural Network-Based Hourly Prediction of Photovoltaic Power Output Using Meteorological Information[J].Energies,2019.

Torres Huitzil Cesar,Girau Bernard.Fault and Error Tolerance in Neural Networks: A Review[J].IEEE Access,2017.

柯子桓,罗楚楠,黎少凡.基于循环神经网络的配网电压异常数据检测方法[J].电子设计工程,2024(01).

李树娴,张晓骏,胡成雨.基于LSTM的政策效应预测模型及其应用[J].统计与决策,2023(23).

易龙强.基于多级CNN的光伏组件智能Ⅳ诊断方法[J].电气应用,2023(11).

黄浚哲,印宇涵,汤明轩,梅飞.基于CEEMDAN与改进LSTM的短期光伏出力预测[J].电器与能效管理技术,2023(10).

徐柔,章杰,赖松林,林培杰,卢箫扬,余平平.结合改进的DCGAN和Attention-LSTM的光伏功率预测[J].福州大学学报(自然科学版),2023(04).

李争,徐若思,曹欣,罗晓瑞,孙鹤旭.基于小波变换和IAGA-BP神经网络的光伏功率短期预测方法[J].可再生能源,2023(07).

刘梦月,彭佳强,肖睿,陈熙,宋梦宇,邓章,陈毅兴.基于深度学习的城市屋顶光伏面积识别及光伏发电潜力研究[J].建筑科学,2023(06).

朱润泽,王德军.基于LSTM神经网络的光伏系统功率预测[J].电力科技与环保,2023(03).

李冬辉,刘功尚,高龙.基于Inception-LSTM-Attention的冷水机组传感器偏差故障诊断方法[J].中南大学学报(自然科学版),2023(01).

朱坤,付青.基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测[J].电源技术,2023(01).

唐圣学,宋晓,李明,姚帅亮,陈丽,孙志国.光伏组件寿命衰退建模与寿命预测高斯随机过程回归方法研究[J].太阳能学报,2022(12).

乔楠.基于SSA-FNN的光伏功率超短期预测研究[J].光源与照明,2022(10).

吴硕.光伏发电系统功率预测方法研究综述[J].热能动力工程,2021(08).

戴锦,肖文波,胡芳雨,吴思宇.光伏发电性能物理预测模型的研究[J].电源技术,2018(02).

浏览量

532

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

宁夏地区月水平面太阳总辐照量的预测方法研究

分布式光伏发电项目的建设期投资成本控制与评价研究

限电对光伏电站设计方案的影响分析

光伏支架基础现状与砂砾石地质下其结构优化的研究

多能互补风光水火储一体化系统装机容量规划及协调控制方法研究