《Atmosphere》:A Similarity-Enhanced Transformer-LSTM Framework with IPOA for Short-Term Photovoltaic Power Forecasting
编辑推荐:
准确预测光伏输出对于挖掘其消纳潜力及保障电网安全、稳定、经济运行至关重要。然而,受光伏发电间歇性与随机性影响,构建高精度预测模型难度显著。研究人员提出一种融合加权组合相似距离(WCSD)、完全集合经验模态分解 with 自适应噪声-模糊熵(CEEMDAN-FE
准确预测光伏输出对于挖掘其消纳潜力及保障电网安全、稳定、经济运行至关重要。然而,受光伏发电间歇性与随机性影响,构建高精度预测模型难度显著。研究人员提出一种融合加权组合相似距离(WCSD)、完全集合经验模态分解 with 自适应噪声-模糊熵(CEEMDAN-FE)、改进鹈鹕优化算法(IPOA)与Transformer-LSTM的混合预测框架以提升光伏功率预测精度。首先,基于WCSD构建训练样本生成方法,筛选与预测日气象条件相似的历史日。其次,采用CEEMDAN将原始输出序列分解为不同幅频特性的分量集,并依据模糊熵(FE)指标重组为若干低频变异特征新子集。再次,首次提出耦合高斯变异与增强圆混沌映射的IPOA。进而,借助Transformer-LSTM建立各分量预测模型,由IPOA确定最优超参数组合。最终,各分量预测值求和得最终结果。基于中国云南电站及公开澳大利亚DKASC数据集的实验表明,相较基准模型,该混合模型预测精度持续占优。
研究背景方面,全球光伏累计装机至2024年达1865 GW,但光伏出力的随机性、波动性及反调峰特性给电网潮流、暂态特性与电能质量带来挑战,高精度预测模型是支撑调度与并网的关键。现有物理法在气象剧变时退化,统计法泛化弱且易过拟合,单一人工智能法对超参数敏感;序列分解法存在模态混叠或参数依赖;相似日选取常偏重数值距离或形态相关之一;鹈鹕优化算法(POA)因随机初始化与种群多样性衰减易陷局部最优。为此,研究人员构建WCSD-CEEMDAN-FE-IPOA-Transformer-LSTM五级集成框架,在《Atmosphere》报道了其于云南40 MW电站(2022年数据,15 min分辨率,08:00–18:00共41点)及DKASC System 3(2015–2017年,重采样至15 min)的验证结果,证实该框架在四季与多天气下精度优于九组对照模型,兼顾计算成本(单日预测0.69 s远小于15 min窗口)。
关键技术方法上,研究人员以灰关联分析(GRA)锁定全球水平辐射(GHR)与气象温度(WT)为主因子;用WCSD(加权欧氏距离+加权余弦距离归一化综合)选5个相似历史日;对所选历史日光伏序列施CEEMDAN(噪声幅值0.2、500次实现)得本征模态函数(IMF),再以模糊熵(FE)按复杂度就近重组为4类分量(高频/低频/趋势);以增强圆混沌映射初始化、高斯变异扰动改进POA成IPOA,优化Transformer-LSTM隐藏层数、epoch与学习率;预测器为2层Transformer编码接2层LSTM(维度128、头数2、隐元32/64),Adam学习率0.003,离线优化不进在线预测。
研究结果各节结论如下。
引言部分指出物理/统计/AI三类模型局限,明确以Transformer-LSTM补全局依赖、LSTM补时序动态,以IPOA解超参敏感,以WCSD解相似日偏倚,以CEEMDAN-FE解非平稳分解重组问题。
方法论中,GRA确认GHR与WT灰关联系数超0.6;WCSD使欧氏距离大但余弦近的日(如2022-05-25对2023-10-03)仍入选,克服单尺度偏差;CEEMDAN-FE将夏季8个IMF压至4重构分量(C-IMF1~C-IMF4);IPOA在CEC2005六函数上收敛快于POA、POA-C、POA-G;Transformer-LSTM以自注意力输出投影入LSTM门控,IPOA以适应度最小为终止选参。
案例预处理部分,云南数据经物理区间校验、Hampel窗7阈值3滤波、线性插补与Min–Max归一(仅训练集估参),DKASC剔风速/倾角辐射等高缺失列后同法处理。
实验分析显示,九模型(M1~M9)中M9四季MAE为0.1359/0.2979/0.1887/0.2117 MW,RMSE为0.1704/0.3277/0.2223/0.2618 MW,MSE为0.0290/0.1074/0.0494/0.0686 MW2;消融表明Transformer-LSTM较单LSTM/M1降MAE 31.19%,IPOA较M3冬季降MAE 12.74%,WCSD较M4降MAE 27.31%,CEEMDAN-FE较EMD/VMD/CEEMDAN版M6/M7/M8平均MAE再降61.61%/52.94%/38.54%;DKASC 2017全期16 425样本MAE 0.233±0.006 kW、RMSE 0.387±0.008 kW、R2 0.915±0.003,秋季最优(MAE 0.137 kW)、冬季偏大(MAE 0.337 kW),晴冷天R2 0.988。
讨论与结论部分,研究人员总结该框架通过相似日提质、CEEMDAN-FE减分量增殖与误差累积、IPOA离线条参、Transformer-LSTM融全局与局部时序,使确定性15 min超前预测在两地数据集均达更优精度与稳定重复(10次种子SD极小);指出Persistence、概率预测与NWP驱动运维验证留作未来方向。结论可译为:所提WCSD-CEEMDAN-FE-IPOA-Transformer-LSTM框架能有效提升短期光伏功率预测表现,其价值在于样本相关性增强、多尺度时序特征提取与深度学习参数优化的协同,为高比例光伏并网调度提供鲁棒工具。