7、Deep Learning for Solar Power Forecasting – An Approach Using Autoencoder and LSTM Neural Networks

深度学习太阳能预测 -

这些算法的组合显示了他们的预测强度与标准MLP和物理预测模型相比在预测21个太阳能发电厂的能源产量。

•为a创建数值天气预报（NWP）某些时间范围和使用物理的某个位置天气预报模型。

•基于此NWP，预测算法可预测未来发电用于某种再生能源发电机。

在这项工作中，我们分析了物理预测 模型，多层感知器，长短期记忆网络（LSTM），深度信任网络和自动编码器

例如AutoEncoders，Deep Belief Networks和LSTM，用于处理数据等任务编码，信息提取或预测
AutoEncoders和Deep Belief Networks用于学习数据的表示

使用Deep Belief Networks用于预测风力和[18]用途
堆叠的AutoEncoders可预测短期风速

前人研究：

[21]使用小波和ARIMA技术预测。一种基于卡尔曼滤波的预测技术在[22]中描述。 [23]的作者使用物理模型使用扩展技术进行功率预测。在里面混合模型领域，[24]使用机器学习技术与涡轮功率曲线结合使用。

MLP\LSTM\DBN\AUTO-LSTM

我们使用n = 2个先前的样本进行预测一个新的价值。图3显示这是最佳选择LSTM。如果前两个步骤，RMSE会减小
被认为是而不仅仅是前一个时间步。如果更多考虑到前两个时间步骤，RMSE上升再次。

DBN方法：

1）DBN执行特征学习以减少输入数据集的维数。
2）添加附加层，例如线性层，以便携带预测。

AuTo-LSTM

1）将使用自动编码器（AE）来实现该功能学习。
2）LSTM网络附加到编码部分

训练AE以重建输出侧的输入。 这个想法是瓶颈将作为输入数据的特征提取器。
在训练AE之后，网络拓扑将被切断瓶颈和LSTM附加。 这允许使用学习的编码作为LSTM的输入。

之后，新创建的网络架构经过培训，可以生成期望的输出。

Auto-LSTM也使用n = 2个先前的时间步长预测一个新的价值。

激活函数：

所有ANN和DNN模型都使用tanh激活功能在除输出图层之外的所有图层中。 在输出层，整流线性单元（ReLU）用作激活功能

tanh激活功能允许负功率预测。 相比之下ReLU激活功能的特性减少了负面影响

实验评估

物理光伏预测模型（P-PVFM）是用作参考。

我们的实验是在GermanSolarFarm上进行的数据集[30]。该数据集包含21个光伏设施在德国。

误差测量标准：（5个标准）