北京
来源：市场资讯
（来源：太阳能杂志）
DOI：10 .19912/j.0254-0096.tynxb.2024-1036 文章编号：0254-0096（2025）10-0250-09
基于GSS的RIME-CNN-LSTM-Attention光伏出力组合预测模型
黄 毅，马一力，苗安康，袁 越
（河海大学电气与动力工程学院，南京211100）
摘 要：针对传统气象学天气分型的局限性，同时考虑到优化算法的场景匹配度，提出基于广义场景划分（GSS）的RIMECNN-LSTM-Attention 光伏出力组合预测模型。首先，以科学性、典型性为导向，提出基于广义场景划分指标的场景划分方法，为解决传统分类聚合方法存在的日气象相似性和耦合性问题提供解决思路，有效支撑高精度预测模型的构建；其次，结合长短期记忆网络（LSTM）时序特征提取能力以及卷积神经网络（CNN）的空间特征提取优势，引入注意力机制，构建光伏出力基础预测模型，在增强模型的关键信息捕捉能力的同时有效提升预测的整体精度；此外，考虑到强不确定性条件下光伏出力的非线性特点，引入一种基于霜冰物理现象的优化算法，有效提升优化算法对复杂场景的适应能力。仿真结果显示，基于GSS 的RIMECNN-LSTM-Attention 组合预测模型能有效提高光伏出力预测的准确性，在光伏出力波动性较强的场景下展现出较高的预测精度和实用性。
关键词：光伏发电；功率预测；卷积神经网络；长短期记忆网络；场景划分；优化算法
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
