基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究

王潇添; 李泽林; 詹莹; 王旭; 许野

doi:10.19912/j.0254-0096.tynxb.2025-0114

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究

更新时间：2026-07-22

- 基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究
- Vol. 47, Issue 6, Pages: 676-688(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0114
  CLC： TM615
- Online First：08 July 2026，
  
  Published：2026
- 稿件说明：
移动端阅览
王潇添, 李泽林, 詹莹, et al. 基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究[J]. 2026, 47(6): 676-688.
DOI：

王潇添, 李泽林, 詹莹, et al. 基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究[J]. 2026, 47(6): 676-688. DOI： 10.19912/j.0254-0096.tynxb.2025-0114.

摘要

针对现有深度学习预测模型在训练过程中存在的时间较长、易陷入局部最优解等问题

提出一种基于开普勒优化算法（KOA）驱动的VMD-CNN-BiGRU-Attention短期光伏出力预测方法。该方法首先利用皮尔逊相关系数法对关键气象因素进行筛选;随后采用灰色关联度（GRA）法确定待预测日的历史相似日

并通过KOA对变分模态分解（VMD）的参数进行优化

进而对历史相似日的出力序列进行分解

从而生成高质量的模型训练样本集;最后

基于KOA-CNN-BiGRU-Attention算法构建光伏出力组合预测模型

以实现光伏出力的精准预测。在云南和甘肃两地光伏电站的实际应用表明

该模型的均方根误差（RMSE）分别为0.2540、2.7981 MW

平均绝对百分比误差（MAPE）分别为0.0234、1.1699。与其他组合预测模型相比

所提基于KOA驱动的VMD-CNN-BiGRU-Attention模型在时空特征捕捉能力方面具有显著优势

并在预测精度和稳定性上表现出优越性

展现了其在光伏发电预测领域的广阔应用潜力。

Abstract

To address the challenges of existing deep learning prediction models

such as long training times and a tendency to fall into local optimum

this paper proposes an innovative KOA-driven VMD-CNN-BiGRU-Attention method for short-term photovoltaic （PV） output power prediction. Firstly

the Pearson correlation coefficient is employed to identify key meteorological factors. Then

the grey relational analysis （GRA） method is used to determine the historical similarity days for the predicted days. The Keplerian Optimization Algorithm （KOA） is then used to optimize the parameters of variational mode decomposition （VMD）

which decomposes the output sequences of historical similarity days to generate a high-quality training sample set. Finally

the VMD-CNN-BiGRU-Attention model

driven by KOA

is constructed to achieve accurate PV output power prediction. Practical applications at PV power stations in Yunnan and Gansu show that the model achieves RMSE values of 0.2540 MW and 2.7981 MW

and MAPE values of 0.0234 and 1.1699

respectively. Compared with other combined prediction models

the proposed KOA-driven VMD-CNN-BiGRU-Attention model demonstrates superior ability to capture spatiotemporal features

offering significant improvements in prediction accuracy and stability. These results highlight the broad application potential of the model in PV power generation prediction.

关键词

Keywords

references

贾凌云, 云斯宁, 赵泽妮, 等. 神经网络短期光伏发电预测的应用研究进展[J]. 太阳能学报, 2022, 43(12): 88-97.

刘甚臻, 马超. 基于小波变换和混合深度学习的短期光伏功率预测[J]. 可再生能源, 2023, 41(6): 744-749.

LI Q, ZHANG X, MA T, et al.A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine[J]. Energy, 2021, 224(2): 120094-120094.

张大海, 孙锴, 和敬涵. 基于相似日与多模型融合的短期负荷预测[J]. 电网技术, 2023, 47(5): 1961-1970.

阎洁, 许成志, 刘永前, 等. 基于风速云模型相似日的短期风电功率预测方法[J]. 电力系统自动化, 2018, 42(6): 53-59.

薛阳, 李金星, 杨江天, 等. 基于相似日分析和改进鲸鱼算法优化LSTM网络模型的光伏功率短期预测[J]. 南方电网技术, 2024, 18(11): 97-105.

李练兵, 高国强, 陶鹏, 等. 基于SFLA和MSISSA-ANFIS的超短期光伏功率动态预测方法[J]. 太阳能学报, 2024, 45(10): 326-335.

张程, 林谷青, 黄靖, 等. 基于AMBOA-DBN结合相似日的短期光伏功率预测[J]. 太阳能学报, 2023, 44(6): 290-299.

孟安波, 陈嘉铭, 黎湛联, 等. 基于相似日理论和CSO-WGPR的短期光伏发电功率预测[J]. 高电压技术, 2021, 47(4): 1176-1184.

张雲钦, 程起泽, 蒋文杰, 等. 基于EMD-PCA-LSTM的光伏功率预测模型[J]. 太阳能学报, 2021, 42(9): 62-69.

张飞, 张志伟, 万乐斐, 等. 基于EEMD-GRNN方法的光伏电站短期出力预测[J]. 太阳能学报, 2020, 41(12): 103-109.

茆美琴, 龚文剑, 张榴晨, 等. 基于EEMD-SVM方法的光伏电站短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 17-29.

王晓霞, 俞敏, 冀明, 等. 基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测[J]. 太阳能学报, 2023, 44(6): 275-283.

林文婷, 李培强, 荆志宇, 等. 基于多级特征提取的BiLSTM短期光伏出力预测[J]. 太阳能学报, 2024, 45(10): 284-297.

WANG S J, LIU S, GUAN X.Ultra-short-term power prediction of a photovoltaic power station based on the VMD-CEEMDAN-LSTM model[J]. Frontiers in energy research, 2022, 10:945327.

李超然, 潘鹏程, 杨伟荣, 等. 基于改进相似日优化HBA-BiLSTM-KELM的光伏发电功率预测[J]. 太阳能学报, 2024, 45(5): 508-516.

李云松, 张智晟. 基于GRU-TGTransformer的综合能源系统多元负荷短期预测[J]. 电力系统保护与控制, 2023, 51(15): 33-41.

彭曙蓉, 陈慧霞, 孙万通, 等. 基于改进LSTM的光伏发电功率预测方法研究[J]. 太阳能学报, 2024, 45(11): 296-302.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于时空双流网络与多重注意力的光伏功率预测

优化变分模态分解下NRBO-LSTM-Attention修正预测风速的风电功率短期预测

基于深度残差注意力网络的光伏组件分割

基于IDBO优化的BiTCN-BiLSTM-SA光伏组件积灰预测

基于改进YOLOv5的光伏组件EL图像缺陷检测方法

Related Author

李恒杰

隆贤华

周云

冯冬涵

马喜平

杨渊文

黄曌

王欣

Related Institution

Liaoning Solar Energy Research and Application Co., Ltd.

School of New Energy, Shenyang Institute of Engineering

Anhui Electric Power Design Institute of CEEC

China Energy Investment Jianbi Power Plant

National Engineering Research Center of Turbo-Generator Vibration, School of Energy and Environment, Southeast University

AI问答

⁰