1、“.....彭春华，时珉，王铁强，尹瑞，王峰基于分时长短期记忆神经网络的光伏发电超短期功率预测现代电力，基金国家自然科学基金项目江西省自然科学基金项目河北省重大研发计划项目。摘要准确预测光伏发电功率对电力系统运行调度至关重要。提出种基于相关系数和分时长短期记忆网络射。由表可知，光伏发电功率与长波辐射和短波辐射强相关，相关系数分别为，则发电功率与预测数据中的主要影响变量选择为长波辐射和短波辐射。分时长短期记忆神经网络基础上光伏发电超短期功率预测发电与发电厂论文。通过算例结果验证了在同种模型下，将与预测时刻光伏发电功率强相关的数据作为输入数据时，其预测精度有所提高。也验证了基于分时网络模型比单网络模型预测和神经网络模型预测效果更好，预测精度更高。由于本文提出的基于相关系数和分时长短期记忆网络的光伏发电功率预测，预测时间局限于，但是由于季节昼夜的影响......”。

2、“.....在后续的研究工作中，可结合其他机器学习算法，对这些特殊的时刻进行准确预测，并且进步提高预测的精度。附录附表当前光伏发电功率与历史光伏发电功率预测系统技术要求北京中国电力出版社，田剑刚，张沛，彭春华，时珉，王铁强，尹瑞，王峰基于分时长短期记忆神经网络的光伏发电超短期功率预测现代电力，基金国家自然科学基金项目江西省自然科学基金项目河北省重大研发计划项目。图年月份各变量单时间序列曲线图现有方法采用相关系数进行相关性分析选取输入变量，但使用相关系数计算时的变量数据需满足正态分布，而图中的变量数据经过正态检验并不服从正态分布。由于相关系数适用范围广，只要是成对的个变量都可以使用相关系数，所以本文采用相关系数进行相关性分析。个维向量，的相关系数计算公式如下式中和分别为向量......”。

3、“.....预测精度更高。由于本文提出的基于相关系数和分时长短期记忆网络的光伏发电功率预测，预测时间局限于，但是由于季节昼夜的影响，实际上在夏季中发电站和时刻也有发电功率。在后续的研究工作中，可结合其他机器学习算法，对这些特殊的时刻进行准确预测，并且进步提高预测的精度。附录附表当前光伏发电功率与历史光伏发电功率相关性分析附表发电功率与总辐射部分时刻分析附表发电功率与直射辐射部分时刻分析附表发电功率与散射辐射部分时刻分析附表发电功率与短波辐射部分时刻分析附表发电功率与长波辐射部分时刻分析附表发电功率与短波辐射部分时刻分析参考文献赛迪智库光伏产业形势分析课题组年中国光伏产业发展形势包括径向基神经网络，支持向量机深度学习，等非线性人工智能预测算法。文献将相似日数据作为训练样本，使用遗传算法对网络权值参数进行优化，建立了基于遗传算法的模糊光伏发电功率预测模型......”。

4、“.....将同类型天气划分为类，实现了将运用在不同天气类型下的光伏发电功率预测算法。该方法考虑了在不同天气条件下对光伏发电系统输出功率的影响，使得预测精度有所提高但对天气的分类过于简单，且是种适合小样本预测的学习方法，对大规模训练样本难以实施。文献利用孤立森林算法对训练样本异常数据清洗，同时对天气分类，再结合长短期记忆神经网络进行短期光伏发电预测。该方法清洗异常数据后使得在不同天气类型预测效果力系统运行调度至关重要。提出种基于相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用相关系数分析每个时刻下影响光伏发电功率的因素，选取相关度高的影响因素作为长短期记忆网络模型的输入变量然后，对每个时刻建立个基于长短期记忆网络的预测模型，实现分时光伏发电功率的预测。最后，利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明......”。

5、“.....关键词相关系数光伏发电分时预测超短期功率预测长短期记忆网络近年来全球光伏市场规模持续增长，年全球新增装机容量为，再创历史新高，中国光伏市场新增装机容量约为，位居全球首位。光伏发电功率的预测是为了保证电网合理调度，以降低对电网造成的冲击。然而，光伏发电系统的输出功率受每个时刻模型输入选择与当前时刻发电功率相关性达到以上的数据。这样，就确定了模型输入层的输入数据，模型其他参数确定输入层神经元个数为输入数据维度隐含层的层数经过考虑模型拟合效果和训练计算时间确定为层隐含层神经元第层个数为输入数据维数的两倍，第层为输入数据维数输出层为预测时刻的发电功率，神经元个数为。那么不同时刻下模型的参数设臵也不同。如预测时刻的光伏发电功率，输入数据为的发电功率实测数据，的总辐射和散射辐射实测数据，的长波辐射预测数据。那么输入数据为维，输出为维......”。

6、“.....输出层为个神经元。隐含层第层的神经元个数为，第层的神经元个数为。图给出了该时刻预测模型的基本网络结构图，含个输入层，个隐含层，个全连接层，个输出层，其中为个输入数据，代表第个隐层的第个神经元节点，第层把值压缩到之间，这样使得信息乘以时，这部分信息被剔除，当信息乘以时，这部分信息被保存，由此进行信息的更新或忘记。其中各变量之间的计算公式如下式中分别为遗忘门输入门输出门记忆细胞状态的向量值为输入到遗忘门输入门输出门记忆细胞之间的权重矩阵为上个单元输出到当前单元遗忘门输入门输出门记忆细胞之间的权重矩阵为上个记忆细胞状态到当前单元遗忘门输入门输出门之间的权重矩阵为当前遗忘门输入门输出门记忆细胞的偏臵向量为激活函数，般为函数。单元的信息传递顺序如图所示，其中为个单元，图中隐含层有个单元。当输入数据从输入层的神经元输入后，流向不同单元中的输入门遗忘门输新处理完成后......”。

7、“.....并在下个单元的门结构进行下步处理信息会传递给输出层的神经元。从以上单元的信息传递流程可知，其内部需要对大量外来信息进行控制更新并传递给下节点，从而为下个单元提供信息。图单元信息传递顺序基于分时光伏发电功率预测由光伏发电功率与气象因素间相关系数分析结果可知，不同时刻影响因素的影响程度不同，单预测模型无法对其进行考虑。因此本文基于分时网络对光伏发电功率进行预测。光伏发电功率受昼夜光照时长等条件影响，所以仅考虑预测时段为，其中时间间隔为，共个时刻的发电功率预测，则需要建立个预测模型。预测结果及分析为检验本文提出的选择与预测时刻光伏发电功率强相关数据作为输入，并对提取数据相互间再次进行相关系数分析步骤由分析结果确认与预测时刻发电功率强相关时刻数据步骤建立分时模型......”。

8、“.....进行归化步骤对输入数据划分为训练集与测试集步骤输入网络模型，得出预测值，进行反归化步骤测试值与真实值进行误差计算步骤利用训练好的网络模型，对预测时刻进行预测。图单元结构单元中遗忘门控制在最新时刻哪些信息需要被抛弃并重臵记忆细胞输入门控制哪些输入信息送入记忆细胞，对细胞状态进行更新输出门控制记忆细胞中哪些信息会被输出并进入下个时间步长中去记忆细胞用于保存时刻的状态信息。其原理为门结构中包含着激活函数，把值压缩到之间，这样使得信息乘以时，这部分信息被剔除，当信息乘以时，这练数据更具有特征性，提出了种基于模糊模型的光伏发电短期预测方法。该预测模型可以描述复杂的非线性光伏功率输出，解决了传统神经网络收敛速度慢的问题。文献利用相关系数筛选出与光伏发电功率相关性强的因素作为输入，各自提出了和级联前向神经网络预测方法。这种方法虽然考虑了变量间的相关性使得预测精度提高......”。

9、“.....且收敛速度慢，容易陷入局部最优。每个时刻模型输入选择与当前时刻发电功率相关性达到以上的数据。这样，就确定了模型输入层的输入数据，模型其他参数确定输入层神经元个数为输入数据维度隐含层的层数经过考虑模型拟合效果和训练计算时间确定为层隐含层神经元第层个数为输入数据维数的两倍，第层为输入数据维数输分时长短期记忆神经网络基础上光伏发电超短期功率预测发电与发电厂论文门，然后对数据信息进行控制和更新。当数据信息在个单元内部中通过门结构更新处理完成后，这个单元加工得到的信息将传递以下个地方信息会传递给下个与之连接的单元，并在下个单元的门结构进行下步处理信息会传递给输出层的神经元。从以上单元的信息传递流程可知，其内部需要对大量外来信息进行控制更新并传递给下节点，从而为下个单元提供信息......”。