基于模态分解与混合神经网络的短期光伏功率预测OA
因光伏功率数据受气象因素影响带来的强波动性与随机性,现有单一预测模型普遍存在精度不足、泛用性差的短板,为解决这一问题,构建了一种融合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与混合神经网络(长短期记忆网络(LSTM)-自适应稀疏Transformer(ASTransformer))架构的短期光伏出力预测框架(ICEEMDAN-LSTM-ASTransformer)。根据各气象因素(辐照度、漫射、温度、相对湿度、风速)与光伏功率的皮尔逊相关系数,从中筛选出与光伏功率关联度最高的核心输入特征;采用ICEEMDAN,对非平稳的光伏历史时序数据做降噪降维处理,把原始复杂序列拆解成多个特征更平稳的本征模态分量和残差分量;搭建带有自适应稀疏注意力机制的光伏发电混合预测模型(LSTM-ASTransformer),其中LSTM精准提取局部时序关联特征,ASTransformer高效捕捉序列里的跨周期依赖关系,通过双分支自适应融合的稀疏注意力机制筛除无关冗余特征,搭配优化后的特征细化前馈网络进一步挖掘有效信息,把所有子分量的预测结果反向叠加得到最终的光伏功率预测值。采用中国江苏省某光伏场站2019—2020年的真实数据进行模型性能验证,结果表明:在不同天气条件下,ICEEMDAN-LSTM-ASTransformer的预测精度和稳定性均明显优于对照模型,其中晴天天气下对比Crossformer模型,其平均绝对误差和均方根误差分别降低了22.76%和7.09%,雨天天气下对比TimesNet模型,其平均绝对误差和均方根误差分别下降22.15%和31.92%,多云天气下对比Crossformer模型,其平均绝对误差和均方根误差分别降低了10.03%和8.96%,具有良好的预测效果。ICEEMDAN-LSTM-ASTransformer集成多模型优势,可多方面提升预测精度,优化预测效率。
王超萌;马刚;马健;孙师奇
南京师范大学电气与自动化工程学院,南京210023南京师范大学电气与自动化工程学院,南京210023南京师范大学电气与自动化工程学院,南京210023南京师范大学电气与自动化工程学院,南京210023
能源科技
光伏发电功率预测神经网络自适应稀疏自注意力机制模态分解
《综合智慧能源》 2026 (7)
P.13-23,11
江苏省碳达峰碳中和科技创新专项资金重点项目(BE2022003)江苏省研究生科研与实践创新计划项目(181200003025278)。
评论