More accurate self-forecasting not only provides a better-integrated solution for electricity grids but also reduces the cost of operation of the entire power system. To predict solar photovoltaic (PV) power generation (SPVG) for a specific hour, this paper proposes the combination of a two-step neural network bi directional long short-term memory (BD-LSTM) model with an artificial neural network (ANN) model using exponential moving average (EMA) preprocessing. In this study, four types of historical input data are used: hourly PV generation for one week (168 h) ahead, hourly horizontal radiation, hourly ambient temperature, and hourly device (surface) temperature, downloaded from the Korea Open Data Portal. The first strategy is employed using the LSTM prediction model, which forecasts the SPVG of the desired time through the data from the previous week, which is preprocessed to smooth the dynamic SPVG using the EMA approach. The SPVG was predicted using the LSTM model according to the trend of the previous time-series data. However, slight errors still occur because the weather condition of the time is not reflected at the desired time. Therefore, we proposed a second strategy of an ANN model for more accurate estimation to compensate for this slight error using the four inputs predicted by the LSTM model. As a result, the LSTM prediction model with the ANN estimation model using EMA preprocessing exhibited higher accuracy in performance than other options for SPVG.

中文翻译：

---

使用带有EMA的基于BD-LSTM的神经网络的太阳能光伏发电的高精度建模

更准确的自我预测不仅为电网提供了更好的集成解决方案，而且还降低了整个电力系统的运营成本。为了预测特定小时的太阳能（PV）发电量（SPVG），本文提出了两步神经网络双向长短期记忆（BD-LSTM）模型与人工神经网络（ANN）的组合使用指数移动平均（EMA）预处理的模型。在这项研究中，使用了四种类型的历史输入数据：提前1周（168小时）每小时产生的PV，每小时水平辐射，每小时的环境温度和每小时的设备（表面）温度，这些数据可从Korea Open Data Portal下载。第一种策略是通过LSTM预测模型采用的，通过前一周的数据预测所需时间的SPVG，并使用EMA方法对其进行了预处理，以平滑动态SPVG。根据先前时间序列数据的趋势，使用LSTM模型预测了SPVG。但是，由于未及时反映当时的天气状况，因此仍然会出现一些错误。因此，我们提出了ANN模型的第二种策略，用于更精确的估计，以使用LSTM模型预测的四个输入来补偿此轻微误差。结果，与使用SPVG的其他选项相比，使用EMA预处理的具有ANN估计模型的LSTM预测模型表现出更高的性能精度。根据先前时间序列数据的趋势，使用LSTM模型预测了SPVG。但是，由于未及时反映当时的天气状况，因此仍然会出现一些错误。因此，我们提出了ANN模型的第二种策略，用于更精确的估计，以使用LSTM模型预测的四个输入来补偿此轻微误差。结果，与使用SPVG的其他选项相比，使用EMA预处理的具有ANN估计模型的LSTM预测模型表现出更高的性能精度。根据先前时间序列数据的趋势，使用LSTM模型预测了SPVG。但是，由于未及时反映当时的天气状况，因此仍然会出现一些错误。因此，我们提出了ANN模型的第二种策略，用于更精确的估计，以使用LSTM模型预测的四个输入来补偿此轻微误差。结果，与使用SPVG的其他选项相比，使用EMA预处理的具有ANN估计模型的LSTM预测模型表现出更高的性能精度。我们提出了ANN模型的第二种策略，用于更精确的估计，以使用LSTM模型预测的四个输入来补偿此轻微误差。结果，与使用SPVG的其他选项相比，使用EMA预处理的具有ANN估计模型的LSTM预测模型表现出更高的性能精度。我们提出了ANN模型的第二种策略，用于更精确的估计，以使用LSTM模型预测的四个输入来补偿此轻微误差。结果，与使用SPVG的其他选项相比，使用EMA预处理的具有ANN估计模型的LSTM预测模型表现出更高的性能精度。