基于QMD–HBiGRU的短期光伏功率组合预测方法

《International Transactions on Electrical Energy Systems》：Short-Term Photovoltaic Power Combinatorial Prediction Method Based on QMD–HBiGRU

　　

短期光伏功率预测的准确性是提高光伏消纳能力的关键因素。为解决典型光伏功率模型预测精度低的问题，本研究提出了一种基于二次模态分解（QMD）和混合双向门控循环单元（HBiGRU）的短期光伏功率预测方法。首先，为应对光伏功率的不确定性，研究人员采用完全自适应噪声集合经验模态分解（CEEMDAN）、样本熵（SE）和变分模态分解（VMD）对光伏功率信息进行分解，得到一系列平滑的本征模态函数（IMF）分量；其次，建立HBiGRU模型以表达每个IMF分量与光伏功率影响因素之间的关系，进而获得所有分量的预测结果；最后，通过叠加每个分量的预测结果得到短期光伏功率预测结果。实验采用澳大利亚某光伏电站的数据进行测试，仿真结果表明，所提出的集成预测模型能有效提高短期光伏功率预测的精度。与其他预测模型相比，其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%，而决定系数提高了22.7%。

**论文解读：基于QMD–HBiGRU的短期光伏功率组合预测方法**

**研究背景**
随着化石燃料储量的加速枯竭和人为污染的加剧，开发和部署替代能源已成为全球共识。光伏发电因其清洁、安全、储量丰富等优点，成为增长最快的可再生能源发电技术之一。然而，光伏电站受太阳辐照度、温度、云层覆盖等多种气象参数影响，具有明显的随机性和波动性。大规模光伏并网给电力系统调度带来了挑战，严重影响了系统的安全经济运行。短期光伏功率预测可为制定和调整电力调度策略提供依据，有效降低电力系统运行成本。因此，如何提高短期光伏功率预测的精度是亟待解决的重要问题。

**现存问题**
短期光伏功率预测技术分为物理方法和统计方法两类。由于物理方法建模过程复杂且对输入数据精度要求高，研究人员倾向于采用统计方法。统计方法包括支持向量机（SVM）、回声状态网络（ESN）和神经网络（NN），但这些方法处理复杂非线性问题的能力有限，难以充分捕捉光伏功率数据与相关影响因素之间的特征关系，制约了预测精度的提升。深度学习技术因其强大的非线性拟合能力被广泛应用于电力系统领域，如卷积神经网络（CNN）和门控循环单元（GRU）等模型。但CNN和BPNN忽略了历史数据的时间相关性，GRU和CNN-GRU忽略了双向时间信息的影响，且在处理长序列时容易遗忘重要信息。此外，单一预测模型性能有限，组合预测方法能充分利用多种模型优势。现有组合方法中，一类是结合深度学习与智能优化算法，但无法消除原始数据非平稳性的影响；另一类是通过数据分解降低序列复杂度，再对各子序列分别建模。常用的数据分解方法（如小波变换、经验模态分解EMD、集合经验模态分解EEMD）存在自适应能力弱、模态混叠、残留噪声等问题。变分模态分解（VMD）效果优于EMD和EEMD，但重构序列与原始序列仍有差异。完全自适应噪声集合经验模态分解（CEEMDAN）解决了模态混叠和低频分量过多的问题，但高频分量仍含有难以消除的残留噪声。

**研究内容与结论**
为解决上述挑战，本研究提出了一种基于二次模态分解（QMD）和混合双向门控循环单元（HBiGRU）的短期光伏功率预测方法。主要贡献包括：构建了基于CNN、双向门控循环单元（BiGRU）和注意力机制（AM）的HBiGRU预测模型，在输入侧引入CNN以充分挖掘光伏功率子序列与气象数据的特征关系，在输出侧引入时间注意力机制以突出重要时间信息对预测结果的影响，有效提高了BiGRU模型的预测精度；提出了基于CEEMDAN、样本熵（SE）和VMD的QMD方法，利用CEEMDAN消除EMD的模态混叠和EEMD低频分量过多的问题，根据SE值对分解序列进行聚合重构以简化预测过程，并采用VMD最大程度抑制噪声对分解序列的影响，从而改善分解效果，相比单一分解方法获得更精确的预测结果。

**意义**
该研究发表在《International Transactions on Electrical Energy Systems》。提出的QMD–HBiGRU模型在澳大利亚光伏电站实测数据上的仿真结果表明，其归一化平均绝对误差（NMAE）和均方根误差（NRMSE）分别降低了3.21%和5.04%，决定系数（R2）提高了22.7%，验证了该模型在短期光伏功率预测领域的优越性和准确性，具有良好的应用前景。

**关键技术方法**
研究采用的主要关键技术方法包括：
1. **二次模态分解（QMD）**：首先利用CEEMDAN对光伏功率序列进行初次分解，降低时间序列复杂度；然后基于样本熵（SE）量化各分量复杂度，将复杂度相近的分量重构以进一步降低模型复杂度；最后采用VMD对重构后的高频分量进行二次分解，消除高频分量中的残留噪声，提升分解效果。
2. **混合双向门控循环单元（HBiGRU）**：在输入侧引入CNN层，通过一维卷积层和池化层提取输入数据的局部特征；随后使用BiGRU层学习特征的时间变化规律，BiGRU由前向和后向GRU组成，能同时利用过去和未来信息；在输出侧引入注意力机制（AM），动态分配不同隐藏层向量的权重，突出重要时间信息。
3. **实验验证**：使用澳大利亚沙漠知识太阳能中心（Australian Desert Knowledge Solar Centre）某光伏电站2017年1月1日至3月10日的实测发电数据和气象信息，选取每日7:00至19:00的数据（5分钟采样间隔），前66天（9504个数据点）用于训练，后3天（432个采样点）用于测试。此外，选取中国江苏常州某50MW光伏电站2022年全年运行数据（15分钟间隔，包含辐照度、组件温度、输出功率等参数）进行跨季节泛化验证，涵盖春分、夏至、秋分、冬至前后各30天。

**研究结果**

**5.3 QMD分解结果**
**5.3.1 CEEMDAN–SE分解结果**：采用CEEMDAN将光伏功率序列分解为13个IMF分量，基于SE理论计算各分量熵值及阈值，将前4个高频IMF分量叠加为IMF1，中间3个叠加为IMF2，其余6个叠加为IMF3。对每个叠加分量建立HBiGRU模型预测，结果显示IMF1分量杂乱，预测精度低于IMF2和IMF3，表明CEEMDAN–SE处理后的高频分量仍含有明显噪声。

**5.3.2 QMD分解结果**：对CEEMDAN–SE方法得到的IMF1分量采用VMD进行二次分解，通过比较不同分解数K下的中心频率和重构误差，确定K=6时重构误差最小。QMD处理后IMF1的NMAE和NRMSE分别比CEEMDAN–SE方法降低1.58%和2.78%，R2从0.47提升至0.88，表明QMD方法能显著降低分解噪声，提高高频分量预测精度。

**5.4 短期光伏功率预测结果分析**
构建了五种对比模型：BiGRU（H1）、HBiGRU（H2）、CEEMDAN–SE–BiGRU（H3）、CEEMDAN–SE–HBiGRU（H4）、QMD–BiGRU（H5），与所提QMD–HBiGRU（H6）模型在3月8日至10日进行预测对比。结果：H1模型平均NMAE和NRMSE分别为4.67%和7.03%，R2为0.79，精度最低；H2模型通过引入CNN和AM，平均NMAE和NRMSE比H1降低0.85%和1.45%，R2升至0.87；H3和H4模型采用CEEMDAN–SE分解，H3平均NMAE比H1和H2分别降低0.92%和0.07%，H4平均NMAE比H1和H2分别降低1.94%和1.09%；H5模型通过VMD二次分解，平均NMAE比H1–H4分别降低2.26%、1.41%、1.34%和0.32%，R2升至0.95；H6模型（QMD–HBiGRU）平均NMAE和NRMSE分别为1.46%和1.99%，R2为0.97，相比H1–H5，NMAE分别降低3.21%、2.36%、2.29%、1.27%和0.95%，NRMSE分别降低5.04%、3.59%、3%、2.22%和1.02%，验证了该模型的优越性。

**5.5 预测模型通用性验证**
选取中国江苏常州50MW光伏电站2022年全年数据，按春分、夏至、秋分、冬至分为四个季节子数据集，预测性能：春季NMAE=5.59%，NRMSE=12.06%，R2=0.94；夏季NMAE=5.06%，NRMSE=11.93%，R2=0.95；秋季NMAE=5.66%，NRMSE=12.58%，R2=0.95；冬季NMAE=6.07%，NRMSE=13.32%，R2=0.92。模型在春夏秋季保持稳定精度，冬季尽管多云天气频繁，误差仍控制在较低水平。模型能出色捕捉日出日落时的功率陡变，春季和冬季典型日的预测曲线与实测值相关系数分别达0.94和0.92，验证了模型跨区域、跨季节的泛化能力。

**讨论与结论**
讨论部分指出：目前多数光伏功率预测研究仅针对单一光伏电站，对光伏集群预测研究较少，无法准确反映并网光伏系统的整体规律。未来研究应考虑将单站预测方法扩展到光伏集群发电预测。

**研究结论**（翻译）：
（1）所提出的QMD方法有效减少了高频分量中的无关噪声，从而提高了预测精度。与单一分解方法相比，NMAE和NRMSE分别降低了1.58%和2.78%，R2从0.47提升至0.88。
（2）所构建的HBiGRU模型充分利用了CNN的特征提取能力，结合BiGRU模型的时间序列预测优势和AM的动态权重分配能力，能够深度挖掘气象数据与时间序列输出之间的相关性，提高了时间序列预测精度。
（3）仿真结果表明，所提出的QMD–HBiGRU模型在平均NMAE、NRMSE和R2值上均优于其他五种模型，具有更好的预测性能，在短期光伏功率预测领域展现出良好的应用前景。