来源：期刊VIP网 时间：
作者：杜国鑫1,2;李欣1,2;马增强1,2;蒋明龙1,2;刘飞宇1,2;穆天明3
单位：1.石家庄铁道大学河北省交通电力网智能融合技术与装备协同创新中心;2.石家庄铁道大学电气与电子工程学院;3.国网石家庄供电公司
摘要：随着全球光伏发电总量的逐年增加，为确保电网的稳定性和可再生能源的高效利用，准确的功率预测变得至关重要。针对传统短期功率预测模型捕捉非线性关系能力差和检测精度低的问题，提出一种堆叠集成学习-时序卷积网络-科尔莫哥罗夫-阿诺德网络(ST-TCN-KAN)的短期功率预测算法。首先，利用堆叠集成学习算法(stacking)进行功率预测；其次基于时序卷积神经网络(TCN)和科尔莫哥罗夫-阿诺德网络(KAN)构建功率校正模型，对预测结果进行校正；最后为降低累积误差影响，引入滚动迭代法完成短期功率预测。将该算法应用于光伏发电系统公开数据集，通过均方根误差和平均绝对误差两方面与支持向量机（SVM）、双向长短期记忆网络（Bi-LSTM）和遗传算法-反向传播神经网络(GA-BP)算法进行对比，定性和定量地验证了算法的有效性和优越性。结果表明：在10%均方根误差和平均绝对误差衡量标准下的最佳预测尺度为2.5 h，能够较为准确地预测光伏系统短期发电功率。
关键词：光伏发电系统;短期功率预测;stacking集成模型;时序卷积神经网络;科尔莫哥罗夫-阿诺德网络
基金资助：国家自然科学基金(12072207); 河北省自然科学基金(E2021210105)
