Resumen

Para remediar problemas relacionados con la recopilación de grandes volúmenes de datos por estaciones fotovoltaicas (PV), como múltiples dimensiones de entrada en el modo de predicción de potencia, ruido, lenta velocidad de convergencia del modelo y baja precisión, en este estudio se propuso un modelo de predicción de potencia que combina el Análisis de Componentes Principales Incremental sin Covarianza Candid (CCIPCA) con una red Long Short-Term Memory (LSTM). El modelo correspondiente utiliza el coeficiente de correlación de factores para evaluar los factores que afectan la generación de energía fotovoltaica y obtener el factor más crítico de la generación de energía fotovoltaica. Luego, utiliza CCIPCA para reducir la dimensión de los datos fotovoltaicos a gran escala a la dimensión del factor, evitando el cálculo complejo de la matriz de covarianza de algoritmos como el Análisis de Componentes Principales (PCA) y eliminando en cierta medida la influencia del ruido generado por el equipo de adquisición de datos de

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Datos a gran escala; Estaciones fotovoltaicas; Modelo de predicción de energía; CCIPCA; Red LSTM; Error de predicción de generación
• Keywords:Large-scale data; Photovoltaic stations; Power prediction model; CCIPCA; LSTM network; Generation prediction error