基于PGA-HDD-Crosslinear框架的短期风电与光伏发电功率预测方法

《Journal of Manufacturing and Materials Processing》：Hierarchical Decomposition and Adaptive Optimization for CrossLinear-Based Wind–Photovoltaic Power Forecasting

　　

摘要

准确的短期风电功率预测对于确保电力系统稳定性和促进可再生能源大规模并网至关重要。然而，现有的预测模型往往存在架构复杂、阻碍实际部署、多变量依赖建模不足以及捕捉多尺度非线性时间模式能力有限等问题。为应对这些挑战，本研究提出了一种新颖的PGA-HDD-Crosslinear框架，用于短期风电和光伏发电功率预测。具体而言，Crosslinear架构被用于以低计算复杂度高效捕捉多变量依赖关系。此外，引入了层级双分解（HDD）策略，首先通过STL分解将输入序列分离为趋势、季节性和残差分量，然后利用多阶Kolmogorov–Arnold网络（KAN）从残差信号中提取潜在非线性特征。同时，采用植物生长算法（PGA）优化关键超参数并增强模型泛化能力。在真实世界风电和光伏数据集上的实验结果表明，所提出框架的有效性。与基线Crosslinear模型相比，在新疆光伏数据集上，RMSE、MAE和MAPE分别降低了15.9%、17.4%和18.2%，而在风电功率预测任务中，分别实现了16.0%、18.9%和15.8%的降幅。