基于NGO-LSTM神经网络的短期光伏功率预测

为了进一步提高光伏发电功率预测的精度，本文提出了一种用于短期光伏发电功率预测的NGO-LSTM模型。选择在时间序列问题处理上具有良好性能的长短期记忆(LSTM)神经网络，并通过全局搜索能力强、算法鲁棒性高的北方苍鹰算法对LSTM网络隐含层神经元个数、学习率和训练次数等超参数进行优化，得到NGO-LSTM模型。采用印度安得拉邦某光伏发电场功率数据进行算例分析，仿真结果表明，NGO-LSTM模型比BP、GA-BP和LSTM具有更高的预测精度、更好的预测稳定性。可为调整电网计划和配电，优化发电效益，帮助光伏电站运维管理提供可靠参考。

随着全球能源需求的不断增长和环境污染问题的日益突出，清洁能源已成为全球各国发展的热门领域。太阳能光伏发电作为清洁、可再生的能源之一，因其储量大、分布广、获取方式简单等特点，在各国日益普及。随着全球光伏装机容量的逐渐增加和光伏产业规模的不断扩大，光伏发电形式逐渐从早期的分布式离网向集中式并网模式演变。

光伏发电已成为现代电力行业减少碳排放的主要组成部分。

然而， 由于光伏发电的输出功率受到天气、环境、地形等多种因素的影响，会导致输出电压和功率不稳定，加大了电网调度的难度，限制了光伏技术的大规模应用。因此，对光伏功率进行精确预测对于光伏发电的运行、调度、管理等方面具有重要意义[1]。

光伏发电量预测的模型方法包括物理模型、统计模型和机器学习模型等多种方法。这些方法通过数学模型和数据分析，预测光伏电站的输出功率，并提高预测的准确性和可靠性，以支持光伏发电系统的运行管理和市场化应用。其中，人工神经网络和深度学习模型因其较强的非线性建模能力和泛化能力，在光伏发电量预测中得到了广泛应用。

Li等[2]分别利用反向传播(Back Propagation, BP)神经网络、遗传算法(Genetic Algorithm, GA)优化的BP 神经网络和粒子群算法(Particle Swarm Optimization, PSO)优化的BP 神经网络构建了三种短期光伏发电功率输出预测模型。Zhang 等[3]通过分析影响光伏电站输出功率的因素，建立了基于相似日和LM-BP 神经网络的短期光伏功率模型， 并以嘉兴光伏电站为例进行了仿真验证， 结果表明该方法在突发天气条件下能够实现高精度的光伏功率预测。Wang 等[4]提出了一种不依赖数值天气预报的光伏发电系统输出功率预测的新方法，该方法基于优化的混沌相空间重构，结合遗传算法–反向传播(GA-BP)神经网络，具有较好的预测精度。Zhang 等[5]通过基于神经网络算法的光伏功率预测研究，建立了BP 神经网络预测模型和小波神经网络预测模型，研究了影响光伏功率预测精度的多种因素，并进行了模型性能比较和统计分析，有效地实现光伏功率的准确预测。邓斌等[6]构建了一种基于液体时间常数的递归神经网络(Recurrent Neural Network, RNN)，用于中长期电力负荷的预测。Eseye 等[7]针对实际微电网光伏系统的短期发电功率预测， 提出了一种混合预测模型， 该模型将小波变换、PSO 和支持向量机(Support Vector Machine, SVM)技术相结合，提高了预测精度。需要注意的是，GA 和PSO 等优化算法容易陷入局部最优问题，BP、SVM 和RNN 神经网络模型在预测时容易陷入局部最优解，预测精度不高，同时需要耗费大量的训练时间和计算资源，当输入数据维度过高时，模型训练时间和计算资源的消耗较大，对数据分布的假设较强，对于非线性可分的数据，模型的预测效果会受到一定影响。