数据包括历史光伏逆变器数据，首先利用pycaret筛选模型，后使用tensorflow-keras框架构建lstm完成光伏发电预测

传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法。

基于改进BP神经网络的光伏发电预测模型.pdf