基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测

田博; 熊国江; 刘夜雨; 吴晨昊

doi:10.19912/j.0254-0096.tynxb.2025-0696

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测

更新时间：2026-10-15

- 基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测
- Vol. 47, Issue 9, Pages: 252-259(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0696
  CLC： TM615
- Online First：10 October 2026，
  
  Published：2026
- 稿件说明：
移动端阅览
田博, 熊国江, 刘夜雨, et al. 基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测[J]. 2026, 47(9): 252-259.
DOI：

田博, 熊国江, 刘夜雨, et al. 基于MODWT-CEEMDAN-Transformer-BiTCN的短期光伏功率区间预测[J]. 2026, 47(9): 252-259. DOI： 10.19912/j.0254-0096.tynxb.2025-0696.

摘要

提出一种基于最大重叠离散小波变换（MODWT）

融合自适应噪声完备集合经验模态分解（CEEMDAN）算法、双向时序卷积网络（BiTCN）与Transformer架构

构建一套面向光伏出力的区间预测组合模型。首先使用MODWT和CEEMDAN将光伏功率时间序列进行双重分解得到本征模态函数分量;其次根据斯皮尔曼相关系数将本征模态函数（IMF）划分为时序分量和随机分量;然后采用Transformer和BiTCN对时序分量和随机分量分别进行预测

并将两个通道的预测结果融合重构

获得点预测值;基于核密度估计方法

对点预测结果进行扩展

最终得到区间预测结果。算例表明

使用时域与时频域结合的双重信号分解

集成BiTCN与Transformer的双通道模型预测

相比于其他预测模型

准确度平均提升了29.36%。

Abstract

This paper proposes a hybrid interval prediction model for Photovoltaic （PV） output by integrating the maximal overlap discrete wavelet transform （MODWT）

complete ensemble empirical mode decomposition with adaptive noise （CEEMDAN）

Bi-directional Temporal Convolutional Network （BiTCN） and Transformer architecture. Firstly

MODWT and CEEMDAN are applied to perform dual decomposition of the PV power time series

yielding intrinsic mode function components. Secondly

the IMFs are categorized into temporal and stochastic components based on their Spearman correlation coefficients. Subsequently

the temporal components are predicted using Transformer

while the stochastic components are predicted using BiTCN. The prediction results from both pathways are then reconstructed to obtain point forecasts. Finally

the point forecasts are expanded into prediction intervals using a kernel density estimation method. Validation on actual case studies demonstrates that this approach

leveraging dual signal decomposition （time and time-frequency domains） and integrating the dual-channel network architecture （BiTCN and Transformer）

achieves an average accuracy improvement of 29.36 % compared to other benchmark prediction models.

关键词

Keywords

references

许多, 徐潇源, 秦放, 等. 面向光储电站运行收益提升的光伏功率价值导向预测方法[J]. 电力系统自动化, 2025, 49(4): 152-164.

唐剑飞. 光伏发电预测方法的分类与比较分析[J]. 船电技术, 2024, 44(9): 69-72.

王德文, 焦天媛. 基于二次分解的不同太阳辐射下光伏功率预测[J]. 太阳能学报, 2024, 45(9): 360-368.

张海涛, 李文娟, 李雪峰, 等. 基于变分模态分解和时间注意力机制TCN网络的光伏发电功率预测[J]. 电测与仪表, 2024, 61(12): 156-163.

董俊, 刘瑞, 束洪春, 等. 基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测[J]. 高电压技术, 2024, 50(9): 3883-3893.

赵如意, 王晓辉, 郑碧煌, 等. 基于特征优化和混合改进灰狼算法优化BiLSTM网络的短期光伏功率预测[J]. 电网技术, 2025, 49(1): 209-222.

何威, 苏中元, 史金林, 等. 基于双重注意力GRU与相似修正的光伏功率预测[J]. 太阳能学报, 2024, 45(3): 480-487.

张建辉, 滕婕, 李秀慧, 等. 基于气象特征和改进Transformer的光伏功率短期预测[J]. 热能动力工程, 2024, 39(8): 146-154.

吴珺玥, 赵二刚, 郭增良, 等. 基于Spearman系数和TCN的光伏出力超短期多步预测[J]. 太阳能学报, 2023, 44(9): 180-186.

何瑨麟, 郝建新, 苏成飞, 等. 基于SVMD-BO-BiTCN的超短期光伏发电功率预测[J]. 分布式能源, 2024, 9(5): 22-31.

毕贵红, 赵鑫, 李璐, 等. 双模式分解CNN-LSTM集成的短期风速预测模型[J]. 太阳能学报, 2023, 44(3): 191-197.

赵耀, 高少炜, 李东东, 等. 基于天气相似聚类与QRNN的短期光伏功率区间概率预测[J]. 电力系统自动化, 2023, 47(23): 152-161.

马乐乐, 孔小兵, 郭磊, 等. 基于最大重叠离散小波变换和深度学习的光伏功率预测[J]. 太阳能学报, 2024, 45(5): 576-583.

Zhang C, Hua L, Ji C L, et al.An evolutionary robust solar radiation prediction model based on WT-CEEMDAN and IASO-optimized outlier robust extreme learning machine[J]. Applied Energy, 2022, 322: 119518.

许越, 李强, 崔晖. 基于MIC-EEMD-改进Informer的含高比例清洁能源与储能的电力市场短期电价多步预测[J]. 电网技术, 2024, 48(3): 949-957.

骆钊, 吴谕侯, 朱家祥, 等. 基于多尺度时间序列块自编码Transformer神经网络模型的风电超短期功率预测[J]. 电网技术, 2023, 47(9): 3527-3536.

Wang S X, Shi J R, Yang W, et al.High and low frequency wind power prediction based on Transformer and BiGRU-Attention[J]. Energy, 2024, 288: 129753.

李文武, 张鹏宇, 石强, 等. 基于聚合混合模态分解和时序卷积神经网络的综合能源系统负荷修正预测[J]. 电网技术, 2022, 46(9): 3345-3353.

周思思, 李勇, 郭钇秀, 等. 考虑时序特征提取与双重注意力融合的TCN超短期负荷预测[J]. 电力系统自动化, 2023, 47(18): 193-205.

Zhang D D, Chen B A, Zhu H Y, et al.Short-term wind power prediction based on two-layer decomposition and BiTCN-BiLSTM-attention model[J]. Energy, 2023, 285: 128762.

Pan C, Tan J, Feng D D.Prediction intervals estimation of solar generation based on gated recurrent unit and kernel density estimation[J]. Neurocomputing, 2021, 453: 552-562.

陈船宇, 熊国江, 方厚康, 等. 基于MODWT-CEEMDAN-LSTM的短期光伏功率区间预测模型[J]. 太阳能学报, 2025, 46(2): 416-424.

王耀健, 顾洁, 温洪林, 等. 基于在线高斯过程回归的短期风电功率概率预测[J]. 电力系统自动化, 2024, 48(11): 197-207.

杨国清, 李建基, 王德意, 等. 基于信息熵变权区间组合和边界逼近的短期光伏功率区间预测[J]. 太阳能学报, 2023, 44(2): 381-390.

蒋莹莹, 田建艳, 姬政雄, 等. 计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型[J]. 电网技术, 2024, 48(6): 2469-2479, I0056-I0059.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

SHORT-TERM PHOTOVOLTAIC POWER INTERVAL PREDICTION MODEL BASED ON MODWT-CEEMDAN-LSTM

基于多时序特征融合的TBiLSTM混合网络光伏发电功率预测

基于改进Transformer-CGAN的长时间尺度光伏出力场景生成方法

基于相似日聚类和时序图像特征提取的光伏功率预测方法

基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法

Related Author

Chen Chuanyu

Xiong Guojiang

Fang Houkang

Luo Yingxun

李旺辉

李振东

李帅

胡锦超

Related Institution

College of Electrical Engineering, Guizhou University

Guizhou University Survey, Design and Research Institute Co., Ltd.

School of Automation, Guangdong University of Technology

Jiangxi Vocational & Technical College of Electricity

School of New Energy, Shenyang Institute of Engineering

AI问答

⁰