lstm预测模型_基于LSTMConvolutional网络的光伏功率预测

基于CNN和LSTM的混合预测模型不仅可以利用CNN模型消除噪声并考虑多变量之间的相关性来提取光伏数据的空间特征，还可以利用LSTM模型对时间信息进行建模并提取光伏数据的时间特征，进而提高光伏功率预测精度。然而考虑到时间特征为光伏数据的基础特征而空间特征为隐层特征，因此在建立混合光伏功率预测模型时应考虑首先提取光伏数据的时间特征然后提取光伏数据的空间特征。

王科俊教授团队在Energy期刊(JCR Q1区，中科院Top期刊，IF=5.537)上发表文章(Volume 189, December 2019, 116225)，从光伏数据的机理特征出发提出了基于LSTM-Convolutional网络的光伏功率预测模型，并将其与其他深度预测模型进行了对比，验证了混合模型的连接顺序对光伏功率预测模型精度的影响。

不同模型在不同误差评价指标下的预测误差值

Models	Results
	MAE	RMSE	MAPE	SDE
LSTM	0.327	0.709	0.062	0.689
CNN	0.304	0.822	0.058	0.790
CNN-LSTM	0.294	0.693	0.056	0.677
LSTM-CNN	0.221	0.621	0.042	0.635

研究中给出了各误差评价指标下不同模型的误差提升百分比比较结果，验证了所提模型在光伏功率预测上的有效性。

不同模型在不同误差评价指标下的提升百分比比较

	LSTM vs. CNN-LSTM	CNN vs. CNN-LSTM	LSTM vs. LSTM-CNN	CNN vs. LSTM-CNN	CNN-LSTM vs. LSTM-CNN
PMAE	10.092％	3.289％	32.416％	27.303％	24.830％
PRMSE	2.257％	15.693％	12.412％	24.453％	10.390％
PMAPE	9.677％	3.448％	32.258％	27.586％	25.000％
PSDE	1.742％	14.304％	7.837％	19.620％	6.204％

论文链接：

https://www-sciencedirect-com-443.wvpn.hrbeu.edu.cn/science/article/pii/S0360544219319206

编辑：吴琦 冯赞元

责任编辑：何东旭

审核：蔡成涛

哈尔滨工程大学自动化学院

2020年6月1日