Ultra-short-term Photovoltaic Power Forecasting Based on DCEC-2D Clustering and MB-TSMixer-BiKSA Net Model

BI Guihong; LI Yuhong; YANG Yi; YANG Nan; WANG Xiaoling; CHEN Shiyu

doi:10.20204/j.sp.2025.11012

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Photovoltaic Power Forecasting Based on DCEC-2D Clustering and MB-TSMixer-BiKSA Net Model

更新时间：2025-12-10

- Ultra-short-term Photovoltaic Power Forecasting Based on DCEC-2D Clustering and MB-TSMixer-BiKSA Net Model
- Vol. 53, Issue 11, Pages: 99-108(2025)
- 作者机构：
  
  昆明理工大学电力工程学院,云南,昆明,650500
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.11012
  CLC：
- Published：2025
- 稿件说明：
移动端阅览
毕贵红,李玉洪,杨毅,杨楠,王小玲,陈世语.基于DCEC-2D聚类和MB-TSMixer-BiKSA Net模型的超短期光伏功率预测[J].智慧电力,2025,53(11):99-108.

BI Guihong, LI Yuhong, YANG Yi, et al. Ultra-short-term Photovoltaic Power Forecasting Based on DCEC-2D Clustering and MB-TSMixer-BiKSA Net Model[J]. 2025, 53(11): 99-108.
毕贵红,李玉洪,杨毅,杨楠,王小玲,陈世语.基于DCEC-2D聚类和MB-TSMixer-BiKSA Net模型的超短期光伏功率预测[J].智慧电力,2025,53(11):99-108. DOI： 10.20204/j.sp.2025.11012.

BI Guihong, LI Yuhong, YANG Yi, et al. Ultra-short-term Photovoltaic Power Forecasting Based on DCEC-2D Clustering and MB-TSMixer-BiKSA Net Model[J]. 2025, 53(11): 99-108. DOI： 10.20204/j.sp.2025.11012.

摘要

针对现有光伏发电功率预测中存在的聚类特征单一、特征提取不足及预测精度低等问题，提出一种基于二维卷积深度卷积嵌入聚类（DCEC-2D）和多分支时间序列混合器-双向门控循环单元-KAN-自注意力网络（MB-TSMixer-BiKSA Net）的超短期光伏功率预测方法。该方法通过结合DCEC-2D聚类、变分模态分解-经验小波变换（VMD-EWT）双模态分解与MB-TSMixer-BiKSA Net模型，实现了对典型工况的精准聚类和对复杂特征的有效融合，从而完成高精度的功率预测。算例分析表明，所提方法在超短期光伏功率预测中表现优异，其平均绝对百分比误差（EMAP）和决定系数（R2）指标显著优于对比模型，表现出较强的精度和鲁棒性。

Abstract

To address the issues of single clustering features， insufficient feature extraction， and low prediction accuracy in existing photovoltaic power forecasting methods， this paper proposes an ultra-short-term forecasting approach based on two-dimensional convolutional deep convolutional embedded clustering （DCEC-2D） and a multi-branch time series mixer-bidirectional gated recurrent unit-kolmogorov-arnold network-self-attention model （MB-TSMixer-BiKSA Net）. By integrating DCEC-2D clustering， variational mode decomposition-empirical wavelet transform （VMD-EWT） dual-modal decomposition， and the MB-TSMixer-BiKSA Net model， the method achieves accurate clustering of typical operating conditions and effective fusion of complex features， thereby realizing high-precision power forecasting. Case study results demonstrate that the proposed method performs excellently in ultra-short-term photovoltaic power forecasting， with its mean absolute percentage error （EMAP） and coefficient of determination （R2） metrics significantly outperforming those of comparative models， exhibiting strong accuracy and robustness.

关键词

Keywords

references

雷柯松，吐松江·卡日，伊力哈木·亚尔买买提，等.基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测[J].电力系统保护与控制，2023，51（9）：108-118.

杨康，李蓝青，李艺丰，等.一种新型分布式光伏出力区间预测方法[J].发电技术，2024，45（4）：684-695.

朱涛，杨欢红，肖峰，等.基于改进灰狼算法和TCN-QRF的超短期光伏出力概率预测[J].浙江电力，2024，43（8）：85-93.

陈建军，李良杰，卢泽汉.基于改进LSTM-TCN模型的分布式光伏功率预测研究[J].电子设计工程，2024，32（16）：187-190，195.

闫朝阳，李蓝青，徐浩嘉，等.基于白鲨算法与改进长短期记忆网络的光伏出力预测[J].发电技术，2025，46（4）：778-787.

汪繁荣，梅涛，卢璐.基于相似日聚类和VMD-LTWDBO-BiLSTM的短期光伏功率预测[J].智慧电力，2024，52（10）：56-63，111.

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.

王丹，薛激光，旋璇，等.考虑相似日优选的EPGA-BPNN短期光伏功率预测[J].供用电，2024，41（5）：80-87.

夏晓荣，胡鹏飞，王飞，等.基于小波变换与优化BP神经网络的超短期光伏发电功率预测[J].电网与清洁能源，2024，40（10）：159-166.

秦宇，许野，王鑫鹏，等.基于改进FCM-LSTM的光伏出力短期预测研究[J].太阳能学报，2024，45（8）：304-313.

周伊，肖先勇，赵清华，等.基于组合数据清洗与改进注意力机制的光伏发电功率预测[J].供用电，2024，41（10）：31-37，49.

王瑞，靳鑫鑫，逯静.SVMD-PE-BP-Transformer短期光伏功率预测[J].电网与清洁能源，2024，40（8）：141-150.

黄泽，毕贵红，谢旭，等.基于MBI-PBI-Resnet的超短期光伏功率预测[J].电力系统保护与控制，2024，52（2）：165-176.

白雅玲，周亚同，刘君.基于深度卷积嵌入聚类的日负荷曲线聚类分析[J].电网技术，2022，46（6）：2104-2113.

邹港，赵斌，罗强，等.基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法[J].电力科学与技术学报，2024，39（5）：163-171.

邱书琦，蹇照民，方立雄，等.基于变分模态分解和集成学习的光伏发电预测[J].智慧电力，2024，52（3）：32-38.

王舒雨，李豪，马刚，等.基于TCN和DLinear的光伏发电功率多步预测模型[J].电力建设，2025，46（4）：173-184.

刘源延，孔小兵，马乐乐，等.基于小波包变换与深度学习的超短期光伏功率预测[J].太阳能学报，2024，45（5）：537-546.

李楠，刘佳佳，赖心怡，等.基于时间序列神经分层插值模型的光伏功率超短期多步预测[J].智慧电力，2024，52（4）：69-77.

LEE Y，JEONG J.TSMixer-and transfer learning-based highly reliable prediction with short-term time series data in small-scale solar power generation systems[J].Energies，2025，18（4）：765-765.

LI Y，LIU S，WU J，et al.Multi-scale Kolmogorov-Arnold Network （KAN）-based linear attention network：multi-scale feature fusion with KAN and deformable convolution for urban scene image semantic segmentation[J].Remote Sensing，2025，17（5）：802- 802.

宋文乐，张烨，刘航旭，等.基于光伏组件老化特性解耦的渔光互补光伏短期出力预测方法[J].电力建设，2024，45（7）：25-33.

李民，杨暑森，李科锋，等.覆雪状态下光伏发电功率预测方法研究[J].高压电器，2023，59（9）：250-257.

DRAGOMIRETSKIY K，ZOSSO D.Variational mode decomposition[J].IEEE transactions on signal processing，2014，62（3）：531-544.

GILLES J.Empirical wavelet transform[J].IEEE Transactions on Signal Processing，2013，61（16）：3999-4010.

陈涛，王艳，纪志成.基于经验小波变换的光伏功率组合预测模型[J].系统仿真学报，2021，33（11）：2627-2635.

LI Y H，BI G H，TONG T N，et al. A forecasting method for COVID-19 epidemic trends using VMD and TSMixer-BiKSA network[J]. Computers，2025，14（7）：290-290.

LI Y H，YANG N，BI G H，et al. Carbon price forecasting using a hybrid deep learning model： TKMixer-BiGRU-SA[J]. Symmetry，2025，17（6）：962-962.

毕贵红，张梓睿，赵四洪，等.基于多模式分解和多分支输入的光伏功率超短期预测[J].高电压技术，2024，50（9）：3837-3849.

毕贵红，赵鑫，陈臣鹏，等.基于多通道输入和PCNN-BILSTM的光伏发电功率超短期预测[J].电网技术，2022，46（9）：3463-3476.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Photovoltaic Power Forecasting Based on Deep Perception-Interaction Transformer

Prediction Method for 5G-enabled Smart Distribution Network Stability Based on Adaptive Gated Mixup Network

Hydrophobicity Study of Composite Insulator Based on Faster R-CNN

Correlation Analysis on Input and Output Index in Distribution Networks Based on Deep Learning

Spatio-Temporal Dynamic Load Forecasting of Charging Pile Based on Spatio-Temporal Neural Network

Related Author

YANG Zhenzhen

ZHANG Yi

CAO Zhiyuan

SHI Yan

ZHANG Luxi

ZHANG Fangzhe

WANG Rui

LIU Dongla

Related Institution

国网内蒙古东部电力有限公司供电服务监管与支持中心，内蒙古通辽 0280002.南京邮电大学理学院

Shandong Provincial Key Laboratory of Energy Industry Internet Big Data Technology

Shandong Smart Grid Technology Innovation Center

Wuhan University

1. Guangxi Power Grid Company Limited Beihai Power Supply Bureau

AI问答

⁰