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