基于随机向量功能链接与欧亚猞猁优化算法的千兆瓦级双面光伏电站人工智能优化研究

本刊推荐：该研究创新性地将随机向量功能链接（RVFL）网络与欧亚猞猁优化算法（ELOA）相结合，构建了RVFL-ELOA混合人工智能模型，用于千兆瓦级光伏电站的主动功率预测。模型通过ELOA优化RVFL超参数，结合特征相关性筛选，在沙特Sudair光伏公园（1.50 GW）年度数据验证中展现出卓越预测精度（R2=1.0000），显著优于单一RVFL和多变量自适应回归样条（MARS）模型，为智能电网整合提供了关键技术支撑。

　　

Highlight

模型验证：RVFL-ELOA、RVFL和MARS的性能对决

作为关键验证步骤，我们采用Q-Q图将观测数据与三种模型（RVFL-ELOA、RVFL和MARS）预测的主动功率（MW）进行比对（图10）。这项对比生动展示了三种模型在Sudair光伏公园预测精度上的较量。Q-Q图清晰表明，RVFL-ELOA模型的预测值与观测数据高度吻合——其R²值达到1.0000，堪称完美匹配。相比之下，MARS模型的表现相对逊色，而独立RVFL模型虽优于MARS，但仍无法与RVFL-ELOA的精准度相提并论。

优化REVL-ELOA基准模型在短、中、长期光伏功率预测中的潜力

本研究进一步拓展至短、中、长期光伏功率预测领域，通过整合更多环境因子，并依据不同气候和辐照模式拆分全数据集，实现了基于多种运行边际的功率预测（表5）。扩展模拟表明，所提出的RFVL-ELOA模型在中长期预测中表现最佳，精度最高。

与其他机器学习方法及元启发式优化混合模型的对比分析

表7展示了ELOA与RVFL智能模型耦合的预测准确性，与其他现有元启发式优化算法（如灰狼优化器GWO、粒子群优化PSO、蜉蝣优化算法MOA和遗传算法GA）在Sudair光伏太阳能公园性能预测方面进行了统计对比。准确性评估依赖于三个统计指标：确定性指数（R2）、平均相对误差（MRE）和均方根误差（RMSE）。

结论

精准量化光伏功率的波动性是构建可靠高效电网的关键，这凸显了对高精度预测模型的迫切需求，以提升智能电网集成的可靠性和效率。为应对这一挑战，本研究探索了混合人工智能模型在改善光伏功率预测方面的潜力，通过整合随机向量功能链接（RVFL）并利用欧亚猞猁优化算法（ELOA）进行微调来实现这一目标。