基于相似日和WOA-MS-TFformer-BiTCN的短期光伏功率预测方法

《Energies》：A Short-Term Photovoltaic Power Forecasting Method Based on Similar Days and WOA-MS-TFformer-BiTCN

　　

准确的短期光伏（PV）功率预测对于电网调度和光伏并网至关重要。然而，复杂天气条件下的光伏功率具有较强的波动性、非平稳性和多频率耦合特性，这些特征使得精确预测变得困难。本文提出一种名为WOA-MS-TFformer-BiTCN的短期光伏功率预测模型。该模型首先通过逐日特征提取、高斯混合聚类（Gaussian Mixture Model, GMM）和物理一致性校正构建相似日样本；然后，鲸鱼优化算法（Whale Optimization Algorithm, WOA）优化变分模态分解（Variational Mode Decomposition, VMD）和预测网络的关键参数；VMD将原始功率序列分解为具有不同频率特征的模态；多尺度频域感知模块（Multi-Scale frequency-domain perception, MS）从这些模态中提取多尺度频域特征；TFformer捕捉全局时序关系，而BiTCN建模局部动态变化。研究采用中国甘肃的光伏数据进行实验，并使用澳大利亚Alice Springs光伏数据集进行跨区域验证。结果表明，所提模型在15分钟超前预测任务中，针对四季和四种天气类型（共16个季节-天气案例）均取得了最低的MAE、RMSE和最高的R²，其平均MAE、RMSE和最高R²分别为0.5439、0.7910和0.99898。该模型在Alice Springs数据集的雨天样本上也表现最佳。此外，基于验证集残差分位数的预测区间为点预测提供了不确定性信息。结果表明，所提方法提高了复杂天气条件下短期光伏功率预测的准确性和稳定性。

**论文解读：基于相似日和WOA-MS-TFformer-BiTCN的短期光伏功率预测方法**

**研究背景与问题**

在全球气候变化日益严峻的背景下，能源系统的低碳转型持续推进，太阳能光伏（Photovoltaic, PV）发电因其清洁、可再生、分布广泛等优点成为可再生能源系统的重要组成部分。然而，光伏功率输出受太阳辐照度、环境温度、云层运动、湿度、风速等多种气象因素影响，这些因素变化快且相互耦合，导致光伏功率序列呈现显著的随机性、间歇性和非平稳性。在云量快速变化或天气突变时，光伏功率序列同时包含短期高频波动和长期低频趋势，增加了电力平衡、调度和储能管理的难度。现有预测方法包括物理模型、统计模型和数据驱动模型。物理模型依赖数值天气预报质量，统计模型（如SARIMA）对强非线性波动描述能力有限，而传统机器学习方法（如SVR、随机森林）仍依赖手工特征设计且对样本质量敏感。深度学习模型（如LSTM、Transformer）虽能自动提取复杂特征，但直接对原始功率序列建模会混合不同频率和物理意义的成分，削弱多尺度变化模式的表征能力。变分模态分解（VMD）可降低序列复杂性，但其性能强烈依赖于模态数和惩罚因子的人工设定；同时，深度预测网络的超参数（如Transformer层数、注意力头数等）也需手动调整，引入不确定性。此外，现有频域增强模型主要关注频域特征提取或时序依赖建模，对分解模态间多尺度信息的联合表征能力仍有提升空间。针对这些问题，研究人员提出了WOA-MS-TFformer-BiTCN模型。

**研究内容与结论**

研究人员提出一种基于鲸鱼优化算法（WOA）优化的多尺度时频Transformer与双向时序卷积网络（BiTCN）相结合的短期光伏功率预测模型（WOA-MS-TFformer-BiTCN）。该模型首先通过相似日聚类（基于高斯混合聚类GMM和物理一致性校正）构建气象条件更接近的训练样本，降低不同天气类型混合样本对模型学习的不利影响；然后采用WOA自适应优化VMD的模态数K和惩罚因子α，同时优化TFformer模块的层数、注意力头数和隐藏维度，减少人工参数设定带来的不确定性；设计多尺度频域感知（MS）模块从每个分解模态中提取不同尺度的频域特征，增强高频扰动和低频趋势的联合表征；TFformer捕捉全局时序依赖，BiTCN强化局部时序特征提取；最后将所有模态的预测结果重构获得最终光伏功率预测。实验采用中国甘肃某光伏电站2019年3月至2020年2月的实测数据（采样间隔15分钟，08:00-22:00有效发电时段），以及澳大利亚Alice Springs光伏数据集进行跨区域验证。结果表明，该模型在4个季节×4种天气类型共16个案例的15分钟超前预测任务中均取得最低MAE、RMSE和最高R²，平均MAE 0.5439、RMSE 0.7910、R² 0.99898；在跨区域雨天样本上也表现最优。模型在30分钟、1小时和24小时超前预测任务中仍保持较好趋势跟踪能力，但随预测时长增加误差增大。消融实验表明，WOA参数优化、MS模块、TFformer和BiTCN均对性能有贡献。该研究发表在《Energies》。

**主要关键技术方法**

1. **相似日聚类**：基于逐日特征（相对能量比、日均功率、日峰值功率、标准差、晴空参考曲线相关系数、功率缺额比、波动指数、爬坡强度、日辐照度特征、日云量特征）采用高斯混合模型（GMM）进行初始聚类，再通过物理一致性检验（月度晴空参考曲线、气象后处理、功率层次约束）进行校正，将历史样本分为晴、多云、阴、雨四种类型。
2. **WOA-VMD自适应分解**：使用鲸鱼优化算法（WOA）以平均样本熵为适应度函数，搜索VMD的最优模态数K和惩罚因子α，将原始功率序列分解为多个窄带本征模态函数。
3. **多尺度频域感知模块（MS）**：对每个模态进行FFT变换得到复数频谱，拆分为实部和虚部两个通道，通过三个并行的一维卷积分支（核大小1、3、5）分别提取局部频变、中频变化和低频趋势，融合后经IFFT变换回时域，获得时频增强表示。
4. **TFformer-BiTCN混合时序建模**：TFformer基于多头自注意力机制捕捉全局时序依赖；双向时序卷积网络（BiTCN）通过前向和后向膨胀卷积分支提取局部动态变化特征（如短期功率跌落、恢复、爬坡），两者输出融合后预测各模态的未来功率。
5. **跨区域验证**：使用澳大利亚Alice Springs光伏数据集（采样间隔5分钟，06:00-20:00有效时段）的雨天样本进行验证，评估模型在不同气候条件下的适应性。

**研究结果**

**4.1 参数设置**：固定训练参数（批量大小32，学习率0.001，优化器Adam，早停机制等）后，WOA搜索预测网络的关键结构超参数（模型维度d_model、注意力头数H、编码器层数N_layer）。结果显示，最优超参数随季节、天气类型和预测时长变化，表明固定结构无法适应所有场景，WOA可自适应选择。

**4.2 WOA-VMD与参数优化分析**：以夏季四种天气类型为例，WOA-VMD得到的最优K和α随天气变化显著（晴天K=5, α=770.52；多云K=4, α=218.98；阴天K=5, α=150.73；雨天K=5, α=244.13）。适应度曲线在迭代中收敛，分解结果中低频模态反映日功率趋势，中高频模态描述云遮蔽、辐照度跳变等局部扰动。

**4.3 预测性能比较与消融分析**：在所有16个季节-天气案例的15分钟超前预测中，WOA-MS-TFformer-BiTCN均取得最低MAE、RMSE和最高R²（平均MAE 0.5439, RMSE 0.7910, R² 0.99898）。在复杂天气（如春季多云、夏季阴天）情况下，该模型对局部爬坡、峰值波动和下降阶段的跟踪优于对比模型（如LSTM-Attention、Transformer、BiTCN等）。多时长实验显示，随预测时长从15分钟增至30分钟、1小时、24小时同时刻，所有模型误差增大，但所提模型在短时长任务中优势更稳定。消融实验证实，去除WOA参数优化、MS模块、TFformer或BiTCN均导致性能下降，完整模型在所有四个代表案例中平均MAE和RMSE比仅含TFformer的模型降低24.45%和28.66%，比仅含BiTCN的模型降低28.51%和12.17%。

**4.4 跨区域验证**：在澳大利亚Alice Springs数据集的春季、夏季、秋季、冬季雨天样本上，所提模型均取得最低MAE、RMSE和最高R²（春季雨天MAE 0.0918, RMSE 0.1245, R² 0.9962；冬季雨天误差最大但仍最优：MAE 0.1835, RMSE 0.2158, R² 0.9760）。表明模型对跨区域数据的频域和时序特征提取具有一定适应性。

**4.5 不确定性分析**：基于验证集绝对残差分位数构建90%和95%预测区间。15分钟超前任务的区间较窄且覆盖良好，24小时同时刻任务的区间显著变宽。在春季多云和秋季多云案例中，部分局部波动点真实值接近或超出区间边界，表明长时长预测不确定性更大；夏季阴天和冬季阴天覆盖相对充分。

**讨论与结论**

讨论部分指出，所提模型通过相似日聚类、WOA-VMD自适应分解、多尺度频域感知和混合时序建模，有效提升了复杂天气下的短期预测精度和稳定性。未来可纳入更多地区、光伏电站类型和极端天气样本验证适应性，并改进预测区间构建方法（如动态区间宽度、自适应残差校正、条件分位数建模），同时降低计算成本以支撑实际调度应用。

研究结论翻译如下：
本文提出了一种用于复杂天气条件下短期光伏功率预测的WOA-MS-TFformer-BiTCN模型。该模型首先利用相似日分类减少混合天气效应；然后采用WOA-VMD分解原始功率序列；MS模块提取多尺度频域特征；TFformer建模全局时序关系；BiTCN捕捉局部动态变化。实验结果表明，所提模型在不同季节和天气条件下具有良好预测稳定性。主要结论如下：（1）相似日分类可减少混合天气样本影响；WOA-VMD能自适应确定不同天气下的VMD参数，分解结果具有明确频率含义，低频模态反映日功率趋势，中高频模态描述云遮蔽、辐照度突变和局部爬坡等扰动。（2）在四季四种天气条件下，WOA-MS-TFformer-BiTCN在15分钟超前短期预测任务中表现稳定，相比多个基准模型取得更低MAE和RMSE、更高R²，在阴、雨天等功率波动强烈时可更好跟踪局部爬坡、峰值波动和下降阶段。（3）多时长实验显示，预测时长越大误差越大，所提模型在15分钟和30分钟任务中优势更稳定，在1小时和24小时同时刻任务中仍能较好跟踪总体趋势，但长时预测难度明显增加。（4）消融实验表明，WOA参数优化、MS模块、TFformer和BiTCN均对性能有贡献，性能提升来自多模块联合作用。（5）在澳大利亚Alice Springs光伏数据集上的验证结果显示，所提模型在跨区域雨天样本中均取得最低MAE、RMSE和最高R²，冬季雨天误差较大但相对性能仍最优，说明模型可从跨区域雨天样本中提取有效频域和时序特征。（6）不确定性分析表明，基于验证集绝对残差分位数的预测区间可为点预测提供风险范围，90%和95%预测区间在不同置信水平下反映预测变异，短期任务中区间覆盖良好，但长时长任务（如24小時間时刻）中区间变宽且部分复杂天气案例覆盖不足，表明长时误差分布更复杂，区间构建方法仍需改进。