基于优化变分模态分解的光伏功率超短期区间预测方法.pdfVIP

基于优化变分模态分解的光伏功率超短期区

间预测方法

作者：李芬于淏孙改平屈爱芳刘蓉晖赵晋斌

来源：《太阳能学报》2024年第08期

摘要：针对城市分布式光伏电站在进行超短期功率预测时所需气象资料难以获取，在转

折天气下光伏出力不确定性增加的问题，提出一种光伏功率超短期区间预测模型。首先该模型

采用麻雀算法优化变分模态分解（VMD），在不同天气下将历史光伏出力分解成多个时序特

征强的子模态；其次，通过长短期记忆神经网络LSTM对各子模态分别预测；再次，将各子模

态的点预测结果叠加；算例验证结果表明：在各类天气条件下，所提模型相比于单纯使用气象

因子的预测方法，具有更高的预测准确度和更强的适应性，同时也能在点预测的基础上提供较

为准确的置信区间。

关键词：光伏发电；模态分解；神经网络；长短期记忆；核密度估计；区间预测

中图分类号：TM615；P49文献标志码：A

：DOI10.19912/j.0254-0096.tynxb.2023-0581

文章编号：0254-0096（2024）08-0367-10

上海1.电力大学电气工程学院，上海200090；

上海师范大2.学数理学院，上海200234

引0言

在“双碳”目标下，中国分布式光伏电站建设逐年加快，截至2023年底，中国累计太阳能

发电装机容量约6.1亿kW，同比增长55.2%［1］。未来还会有更高比例的分布式光伏电站逐

步并网［2-3］。由于光伏发电具有随机性、间歇性以及波动性，这一定程度上会影响电网的

安全性和可靠性［4-7］。隨着分布式光伏的并网容量增加，在面对极端转折天气时，光伏出

力预测对于电网提前优化调度十分重要［8］。但在实际运行时，分布式光伏电站往往未配置

相应的气象观测设备，导致进行光伏功率预测时会出现气象资料缺失的问题。

目前中外学者针对光伏功率预测的研究的方法主要为物理模型［9］、基于历史出力数据

的动力统计模型［10］以及机器学习模型［11-12］。为改进预测效果，文献［13］通过经验

模态分解（empiricalmodedecomposition，EMD）与人工神经网络（artificialneuronnetwork，

ANN）结合的方式，将原始信号分解为低频、高频以及趋势3个分量通过ANN对太阳辐射进

行长期滚动预测，虽然月尺度预测结果拟合优度较高，但日尺度效果一般；文献［14］通过集

合经验模态分解（ensembleempiricalmodedecomposition，EEMD）和深度学习的组合方法进

行光伏功率组合预测，得到较为准确的结果，但EEMD虽在EMD的基础上叠加了高斯白噪声

进行多次经验模态分解，但其本质还是EMD，只是对EMD的模态混叠有所改善；文献［15-

16］通过中心频率法确定变分模态分解（variationalmodedecomposition，VMD）的子模态

数，分解后的子模态对模态混叠的改善明显优于EMD及EEMD，再将子模态与其他气象因子

分别与LSTM等神经网络结合，进行光伏发电超短期功率预测具有较高的精度；文献［17］中

使用VMD将天气类型划分为波动过程和类晴空过程进行预测，效果良好，但VMD人工确定

惩罚因子和分类子模态数时如果选择不当会造成信号的过分解和欠分解，其次以上文献并未验

证分解后的各子模态引入气象因子是否会对预测精度造成干扰。

光伏发电超短期预测时长为0～4h之间［18］，通常用于光伏发电系统的平滑控制以及

电力系统的日内调度优化。目前在光伏功率超短期预测时主要采用统计、物理混合的方法。文

献［19-20］首先通过聚类算法和模态分解结合的方法对原始数据预处理，最后通过时序神经

网络进行超短期预测；文献［21］通过改进常规模式输出统计预报（modeloutputstatistics，

MOS）方法、文献［22］使用天气研究与预报模型（weatherresearchandforecasting，WRF）

和全球辐射模型提高了对太阳辐射预报精度进而提高光伏功率预报精度，但这两种方法在转折

天气下预测精度并不理想；文献［23］通过对云形状的提取结合气象要素基于云增强现象提出

云图特征联想和长短期记忆模