基于奇异谱分析-自适应白鲸优化-改进极限学习机的光伏电流混合预测模型研究

为解决光伏系统输出电流受气象条件影响导致的预测精度低、稳定性差等问题，研究人员提出了一种融合奇异谱分析(SSA)、自适应白鲸优化算法(ABWO)和改进极限学习机(IELM)的混合预测模型。该模型通过SSA预处理时序数据，采用融合美洲狮算法的ABWO优化参数，并改进ELM输出权重逆矩阵，实验表明其预测性能显著优于现有方法，为光伏并网系统稳定运行提供了新思路。

　　

随着全球能源需求激增，光伏(PV)系统因其清洁特性成为研究热点。然而，气象条件的随机性导致PV输出电流呈现强非线性波动，传统预测方法存在噪声敏感、参数固化等问题，严重影响电网稳定性。针对这一挑战，Mustansiriyah大学等机构的研究团队在《Renewable Energy》发表论文，提出SSA-ABWO-IELM混合模型，为长时序PV电流预测提供了创新解决方案。

研究采用三项关键技术：首先利用奇异谱分析(SSA)分解原始数据以消除噪声；其次改进白鲸优化算法(BWO)，引入美洲狮策略增强局部搜索能力；最后通过Moore-Penrose逆矩阵调整改进极限学习机(IELM)的输出权重。实验数据来自实际光伏电站的长期监测记录。

数据预处理结果
SSA有效分离了时序数据中的趋势项和噪声成分，信噪比提升达42.6%，为后续建模奠定基础。

算法优化性能
改进的自适应白鲸优化(ABWO)在23种基准测试函数中表现最优，收敛速度比原BWO快1.8倍，成功应用于压力容器设计等工程问题。

混合模型预测
SSA-ABWO-IELM在RMSE(均方根误差)指标上较传统LSTM模型降低57.3%，且对突变天气的适应能力显著提升。

该研究通过多模块协同创新，首次将美洲狮算法的动态搜索机制融入鲸鱼优化，并改进ELM的矩阵运算稳定性。成果不仅为可再生能源预测提供新范式，其ABWO算法在解决高维非线性问题方面展现出普适价值。作者建议未来可探索Transformer架构与现有模型的融合，以进一步提升长时序预测的准确性。