《Results in Engineering》：Day-Ahead BO-CNN-LSTM PV Prediction Based on Input of NWP Forecasting Reconstruction by VMD and CNN-BiGRU-AM Network
编辑推荐：
提出了一种用于日前光伏（PV）功率预测的新型框架；贝叶斯优化（BO）提升了混合卷积神经网络–长短期记忆网络（CNN–LSTM）模型的预测精度；设计了一种基于变分模态分解（VMD）–卷积神经网络（CNN）–双向门控循环单元（BiGRU）–注意力机制（AM）的校正
提出了一种用于日前光伏（PV）功率预测的新型框架；贝叶斯优化（BO）提升了混合卷积神经网络–长短期记忆网络（CNN–LSTM）模型的预测精度；设计了一种基于变分模态分解（VMD）–卷积神经网络（CNN）–双向门控循环单元（BiGRU）–注意力机制（AM）的校正系统，用于数值天气预报（NWP）误差调整；随机采样验证了预测模型与校正系统在不同季节条件下的泛化性和鲁棒性。
Jian-hong Zhu等围绕日前光伏（PV，将太阳能转化为电能）功率预测开展研究。背景是化石能源枯竭与环境污染推动可再生能源发展，PV因低成本和零污染受到重视，但云量、阴天、雾霾等气象因素不确定使功率难以准确预测；日前24—48 h预测属于短期预测，对日前调度和电力计划优化具有工程意义。问题在于传统数值天气预报（NWP，由数值模式输出的气象预报）通常为公里级，而MW级PV电站覆盖范围更小，直接作为模型输入会带来系统偏差和空间尺度不匹配；既有研究多改进预测模型结构，针对NWP输入校正的研究相对较少，且现有校正方法存在适应性弱、鲁棒性不足、数据依赖较强或框架复杂等限制。因此，作者将输入侧NWP误差校正与下游PV功率映射显式分离并分别评估：第一阶段构建VMD–CNN–BiGRU–AM校正系统，第二阶段用BO–CNN–LSTM完成功率预测。研究采用单站一年数据和四个季节代表性样本，结论是校正可提高NWP输入质量并降低下游日前功率预测误差；其意义在于为日前调度和计划优化提供更可靠的输入，并使校正阶段与预测阶段的贡献可分别评价。
关键技术方法：数据来自中国河北某20 MW光伏电站，2018年6月30日至2019年6月12日，15 min分辨率，共32 928条，含NWP、实测气象和PV功率；选四个一年月样本，每样本30天训练、次日96点测试。方法上计算NWP与实测气象误差序列，采用变分模态分解（VMD，将非平稳序列分解为若干模态）分解，滑动窗口构造样本，以卷积神经网络（CNN，提取局部时序特征）、双向门控循环单元（BiGRU，双向时序建模）和注意力机制（AM，对重要时间步加权）逐内在模态函数（IMF，分解得到的子序列）预测并重构校正NWP；再将校正后的全球水平辐照度（GHI，总水平面太阳辐照度）、温度和风速及历史功率输入BO–CNN–LSTM（贝叶斯优化卷积神经网络–长短期记忆网络）预测；用Pearson/Spearman相关及多指标评价。
研究结果：4.1 评价指标：通过校正平均绝对误差（C
mae）、校正均方根误差（C
rmse）评价校正误差，通过E
rmse、E
mae、E
me、r、准确率（CR）、合格率（QR）评价预测；功率误差按装机容量归一化，20 MW下0.0759 p.u.约1.518 MW，ME正值表示系统低估。4.2 气象相关性分析：通过Pearson和Spearman相关分析，实际GHI与功率相关性最高（0.95/0.94），温度和风速亦相关，故选为输入。4.3.1 参数确定：通过四季节各选一月、30天训练预测次日、贝叶斯优化（BO，自适应超参数选择）和VMD层数敏感性分析，得出GHI、温度、风速分解层数分别为4、4、6；消融比较表明完整VMD–CNN–BiGRU–AM较原始NWP显著降低C
mae/C
rmse（GHI 71.3%/74.5%，温度84.2%/82.0%，风速89.2%/87.5%），VMD贡献最大，CNN和AM进一步改善，BiGRU未独立量化；校正阶段平均耗时约26.76 s，较CNN–BiGRU–AM的7.61 s增加约19.15 s。4.3.2 不同输入特征预测结果比较：通过比较原始NWP、CNN–BiGRU–AM校正和VMD–CNN–BiGRU–AM校正三类输入，完整校正输入的平均E
rmse、E
mae为0.0759、0.0580 p.u.，较CNN–BiGRU–AM校正输入降低约53.1%和50.6%，r为0.9823，CR为92.41%，QR为99.44%，平均ME为0.0201 p.u.（约0.402 MW），呈轻微系统低估；箱线统计显示其MAE更低且分布更集中。4.3.3 与代表性预测模型比较：在相同数据划分、输入变量和预测时域下，与支持向量回归（SVR）、LSTM、Transformer–LSTM、TCN–ECANet–GRU比较，所提方法在样本#5—#8的E
rmse/E
mae分别为0.0383/0.0265、0.0468/0.0338、0.0236/0.0186、0.0263/0.0211 p.u.，在所选模型中误差较低；该比较限于所选模型，不构成对所有近期时序架构的普遍最优结论。
讨论与结论译述：第一，VMD–CNN–BiGRU–AM校正系统有效提高NWP输入质量，显著降低GHI、温度和风速误差，消融显示VMD对非平稳多尺度误差处理贡献最大，CNN局部特征提取和AM特征加权提供进一步增益，BiGRU作为共同时序骨干未单独量化。第二，校正后GHI和温度回归系数高于0.95，风速达到0.75，完整模型校正误差低于原始NWP和简化变体。第三，气象输入质量显著影响下游日前PV预测；完整校正较CNN–BiGRU–AM使平均RMSE和MAE由0.1619、0.1173 p.u.降至0.0759、0.0580 p.u.，平均ME为0.0201 p.u.（约0.402 MW），正ME指示轻微系统低估，实际日前调度需考虑其方向性。第四，与SVR、LSTM、Transformer–LSTM、TCN–ECANet–GRU相比，所提框架在相同条件下误差较低，但比较仅限所选代表性模型。第五，局限包括：验证基于单站约一年数据和四个一月样本，非连续全年滚动，不能充分覆盖季节转换、极端天气和年际变化；未纳入PatchTST、TimesNet或预训练时序基础模型等更广泛基准；仅开展确定性点预测，未量化预测不确定性；计算成本主要报告校正阶段，未完成端到端训练时间、时延、参数量和硬件资源评估。未来需多站多年滚动验证、扩展基准、发展概率预测并评估部署可行性。总体上，该显式校正–预测框架在本文数据和所选比较模型范围内改善了气象输入质量并降低了代表性季节样本的日前预测误差，但其普遍优越性和长期鲁棒性仍需进一步验证。
