基于非抽取小波变换的光伏功率时间序列预测研究——以布尔萨理工大学案例验证其优越性

本研究针对光伏功率预测中传统小波变换(DWT)存在的移变敏感性和分辨率损失问题，创新性采用非抽取小波变换(UWT)结合机器学习算法。通过布尔萨理工大学1.2 kW屋顶光伏系统的56天实测数据验证，UWT-DT模型取得MSE 0.0001、R2 0.9986的优异性能，Wilcoxon检验证实其显著优于DWT方法(p<0.05)，为高精度可再生能源预测提供了新范式。

　　

随着全球能源结构转型加速，光伏发电的间歇性问题日益凸显。传统预测方法在面对辐照度、温度等多变量耦合影响时，往往因特征提取不充分导致精度受限。尤其当信号存在时间偏移时，广泛使用的离散小波变换(DWT)会因下采样操作丢失关键信息，这种移变敏感性严重制约了预测模型的可靠性。

针对这一技术瓶颈，布尔萨理工大学的研究团队创新性地将非抽取小波变换(Un-Decimated Wavelet Transform, UWT)引入光伏功率预测领域。这项发表于《Renewable Energy》的研究，通过该校1.2 kW屋顶光伏系统采集的5分钟间隔多维数据（包含辐照度、组件温度等关键参数），系统比较了UWT与传统DWT在16种混合模型中的表现。研究发现，采用"à trous"算法的UWT凭借其全分辨率特征保持能力，使决策树(DT)模型的预测精度突破性提升至MSE 0.00009、R² 0.9997，计算耗时仅12ms/1024样本，为高精度可再生能源预测树立了新标杆。

研究主要采用四项关键技术：1) 基于"à trous"算法的UWT特征提取，实现移变不变性；2) 多层级分解（设定为4层）兼顾高频细节与计算效率；3) 集成决策树(DT)、随机森林(RF)等8种机器学习算法构建混合模型；4) 采用Wilcoxon符号秩检验验证结果显著性。

方法论
通过实时数据预处理（归一化/缺失值处理）后，研究团队并行实施DWT和UWT特征提取。值得注意的是，UWT通过连续滤波器扩展避免了DWT的系数下采样，其冗余特性使单模型即可覆盖全时序特征，较传统多模型策略简化了系统复杂度。

参数选择与结果
四层UWT分解的实验设计极具巧思：第一、二层捕捉瞬态辐照波动，第三层解析温度滞后效应，第四层提取日周期特征。这种分层解析使UWT-DT模型在56天测试中RMSE低至0.0118，较DWT-DT提升23.4%。计算代价方面，UWT虽比DWT增加约15%耗时，但其带来的精度增益使性价比显著提升。

结论与展望
该研究证实UWT的移变不变性和全分辨率特性可有效解决光伏预测中的三大痛点：时序偏移敏感度、高频信息丢失和模型泛化能力不足。特别在有限数据场景下（本研仅用16128个5分钟样本），UWT仍能保持0.99以上的R²，这对分布式光伏监控具有重要实践价值。未来研究可探索UWT与深度学习的结合，以及在风电预测等其它可再生能源领域的迁移应用。

这项由Luminita Georgeta POPESCU领衔的研究，不仅为小波分析在能源领域的应用开辟了新路径，其提出的12ms级实时预测框架更为智能电网调度提供了关键技术支撑。研究获得罗马尼亚研究部的PNRR-C9-I8-760089项目资助，相关算法已申请专利保护。