개선된 회색늑대 최적화 및 장단기 메모리 신경망을 이용한 태양광 발전 시계열의 실시간 예측 방법 연구

이 논문은 위상 공간 재구성(PSR), 개선된 회색늑대 최적화(GWO), 그리고 장단기 메모리(LSTM) 신경망을 통합하여 태양광(PV) 발전 출력의 실시간 예측을 위한 새로운 방법을 제안합니다. 제안된 방법은 세 가지 주요 단계로 구성됩니다. 첫째, 역사적 데이터는 잡음을 제거하고 특성은 특이 스펙트럼 분석(SSA) 및 적응형 노이즈가 포함된 완전 집합 경험 모드 분해(CEEMDAN)를 사용하여 추출됩니다. 둘째, 개선된 회색늑대 최적화(GWO)를 사용하여 위상 공간 재구성(PSR) 및 장단기 메모리(LSTM) 신경망의 주요 매개변수를 최적화합니다. 셋째, LSTM 신경망을 사용하여 실시간 예측을 수행하며, 학습 데이터 및 모델 매개변수의 동적 업데이트를 포함합니다. 실험 결과는 제안된 방법이 예측 정확도와 속도 모두에서 상당한 장점을 가지고 있음을 보여줍니다. 구체적으로, 제안된 방법은 평균 절대 백분율 오차(MAPE)를 3.45%로 달성하여 전통적인 기계 학습 모델 및 다른 신경망 기반 접근 방식을 크게 초월합니다. 7가지 대안 방법과 비교하여, 우리의 방법은 예측 정확도를 15%에서 25%, 계산 속도를 20%에서 30% 향상시킵니다. 추가로, 제안된 방법은 우수한 예측 안정성과 적응성을 보이며 PV 전력의 비선형 및 혼돈 특성을 효과적으로 처리합니다.