基于KNN-LASSO-PPC法的改进BitCN-LSTM短期光伏功率预测

来源：电子测量技术杂志2025年第15期北京时间：

作者：贺宇轩，王锟，曾进辉，刘颉，周武定

单位：1.湖南工业大学电气与信息工程学院 株洲 412007;2.株洲高新电业集团有限公司新动力分公司 株洲 412007

摘要：针对光伏出力受天气条件随机性和波动性影响的特点，提出一种基于KNN-LASSO-PCC法的改进BitCN-LSTM神经网络短期光伏功率预测方法。首先，采用KNN对数据集进行清洗，再结合LASSO与PCC进行多层特征筛选；然后，在传统BitCN-LSTM方法基础上加入GRU与Elman神经网络,其中，GRU解决长时间依赖问题和参数优化问题，Elman网络增强局部时序建模和记忆能力；最后，在多层特征筛选下选取直角辐射、散角辐射、气温和湿度作为输入变量，选取光伏电站各时段发电功率的预测值作为最终输出，进行为期1~3天间隔15 min进行一次预测的仿真，所得的最优评估指标平均绝对误差、均方误差以及平均绝对百分比误差分别为9.976 3%、1.702 9%和10.626 7%，训练时间和最优测试时间分别为181.305 1 s和0.058 932 s，相较于其他常见的短期光伏预测模型精度更高，速度更快。

关键词：光伏功率预测;多层特征筛选;K近邻算法;埃尔曼网络;门控循环单元

基金资助：国家自然科学基金(52377185）项目资助