数字露头建模与陆相页岩储层构造特征分析：以中国松辽盆地长7?页岩为例

《Energies》：Digital Outcrop Modeling and Structural Characterization of Continental Shale Reservoirs: A Case Study of the Gulong Shale, Songliao Basin, China

　　

摘要

短期光伏发电功率预测面临强随机性和非平稳性的挑战。本文提出了一种ICEEMDAN–BiLSTM–Attention–IMSO联合预测框架。首先，利用ICEEMDAN将历史光伏功率序列分解为各分量，并根据样本熵将各分量重组为三个熵值组，以降低非线性干扰。其次，采用带有自注意力机制的BiLSTM网络提取深度时序特征。最后，利用多策略改进的螳螂虾优化（IMSO）算法对各子模型的超参数进行自适应优化。基于2021年国家电网公司数据集的案例分析验证了该模型的优越性。与固定超参数的基线模型相比，所提框架将RMSE降低了9.37%，MAE降低了13.31%，性能优于由主流算法优化的联合模型。重要的是，消融实验表明，去除样本熵重组会导致性能严重下降，RMSE飙升至8.6193 MW，R²降至?0.2341。这些发现与对比实验相互印证，充分证明了所提框架在短期光伏发电功率预测中的显著贡献和全面有效性。