基于混合深度学习模型的多能源互补发电系统功率预测研究

针对多能源互补发电系统(MECPG)功率预测精度不足的问题，研究人员提出了一种结合交叉相关改进自适应噪声完备集合经验模态分解(CC-ICEEMDAN)、卷积神经网络(CNN)和门控循环单元(GRU)的混合人工智能模型。该模型通过多维度特征提取实现了0.0005的均方误差(MSE)和2.8%的平均绝对百分比误差(MAPE)，为能源优化调度提供了理论支撑。

　　

随着全球能源危机加剧和环境污染问题日益突出，发展清洁能源成为当务之急。然而，风能、太阳能等可再生能源受季节和气候影响波动较大，导致发电稳定性差。多能源互补发电系统(MECPG)虽能缓解这一问题，但现有研究多集中于单一能源预测，对MECPG的智能功率预测(PGF)研究明显不足。传统预测方法如物理模型和统计模型在处理非线性时序数据时效果有限，而人工智能(AI)模型虽表现出色，但存在过拟合、局部最优等问题。

针对这一挑战，中国的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究。该团队设计了一种名为CC-ICEEMDAN-CNN-GRU的混合模型，通过整合数据预处理和深度学习模块，实现了对西藏拉萨地区4461小时气象和运行参数样本的高精度预测。研究采用交叉相关改进的自适应噪声完备集合经验模态分解(CC-ICEEMDAN)进行信号降噪，结合CNN的空间特征提取能力和GRU的时序处理优势，显著提升了预测性能。

关键技术包括：(1)CC-ICEEMDAN数据预处理消除时序噪声；(2)CNN-GRU混合架构捕捉多维特征；(3)采用均方误差(MSE)等四项指标评估模型性能；(4)对比RNN、LSTM等五种基准模型验证优越性。数据来源于太阳能-风能-地热能-氢能四联供系统的实际运行数据。

【多能源互补发电系统】章节阐明，研究对象是一个包含四种能源的级联利用系统，通过次级系统内部供电实现互补。这种设计能有效应对单一能源波动，但增加了预测复杂度。

【数据集描述】显示，研究采用每小时采集的4461组样本，包含气象参数、运行参数和工质物性三类数据。这种多源数据融合策略增强了模型的实际工程适用性。

【改进的自适应噪声完备集合经验模态分解】部分详细介绍了ICEEMDAN算法原理。相比传统EMD，该方法通过自适应噪声注入和完备集合分解，有效解决了模态混叠问题。结合交叉相关分析(CC)进一步避免了特征错配。

【结论】表明：该模型在MECPG长期时序预测中表现优异，MSE低至0.0005，且具有强泛化能力。研究首次实现了多能源系统的智能PGF，为实时峰值预测和优化分配奠定了理论基础。

这项研究的突破性在于：(1)首创CC-ICEEMDAN-CNN-GRU混合架构，将预测误差降至工程应用阈值以下；(2)解决了多能源系统数据冗余和波动大的技术瓶颈；(3)提出的端到端预测框架可直接集成到能源管理系统中。国家自然科学基金等项目资助的这项成果，不仅推动了AI在能源领域的应用，也为"双碳"目标下的智能电网建设提供了关键技术支撑。