由于将光伏太阳能系统集成到电网中，太阳辐照度的准确预测在电力能源规划和管理中发挥着越来越重要的作用。但现有的混合模型忽略了除辐照度时间序列外的其他因素的影响，采用单一分支独立的网络结构，可能导致预测精度下降。本文提出了一种新的基于WPD-CNN-LSTM-MLP的1 h前太阳辐照度预测多元混合深度神经模型。小说WPD-CNN-LSTM-MLP模型是基于一个复杂的多分支混合结构与多变量输入、多分支混合结构结合了小波包分解(WPD)卷积神经网络(CNN),长期短期记忆(LSTM)网络和多层感知器网络(MLP)和多变量输入包括小时太阳辐照度和三个气候变量,即:温度、相对湿度、风速和他们的组合。该模型充分提取了多层输入的内在特征，克服了传统模型的不足，获得了更准确的预测结果。该模型的性能通过美国丹佛、克拉克和福尔松的实际数据进行了验证。比较研究传统的个人反向传播神经网络,支持向量机,递归神经网络,LSTM, climatology-persistence参考和提出LSTM-MLP模型预测方法,CNN-LSTM-MLP模型,WPD-CNN-LSTM模型显示,该WPD-CNN-LSTM-MLP深度学习小时辐照度预测模型具有更好的预测精度。
