基于PIA数据修复和聚类的MVMD-CNN-BiLSTM-ATT短期光伏功率预测

doi:doi:10.19912/j.0254-0096.tynxb.2024-0857

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于PIA数据修复和聚类的MVMD-CNN-BiLSTM-ATT短期光伏功率预测

更新时间：2025-10-22

- 基于PIA数据修复和聚类的MVMD-CNN-BiLSTM-ATT短期光伏功率预测
- Vol. 46, Issue 9, Pages: 547-554(2025)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0857
  CLC： TM615
- Published Online：14 October 2025，
  
  Published：2025
- 稿件说明：
移动端阅览
[J]. 2025, 46(9): 547-554.
DOI：

[J]. 2025, 46(9): 547-554. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0857.

摘要

为提高光伏发电系统输出功率的预测精度

提出一种基于皮尔逊插值算法（PIA）、模糊C均值聚类算法（FCM）、多元变分模态分解（MVMD）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（ATTENTION）的短期光伏功率预测组合模型。首先

利用PIA对光伏电站采集的原始数据进行修复;其次

FCM算法将历史数据聚类为晴天、阴天、雨天;然后

通过MVMD对光伏功率进行分解

得到若干本征模态函数;接着

采用CNN和BiLSTM网络相结合充分提取各本征模态函数的特征

同时引入注意力机制以突出重要信息并赋予其权重;最后

对各本征模态函数预测

将各预测值叠加得到最终预测结果

与其他光伏功率预测模型对比验证所提混合模型具有更好的预测精度。

Abstract

To improve the accuracy of photovoltaic （PV） power prediction

a hybrid short-term photovoltaic power prediction model based on the Pearson interpolation algorithm （PIA）

fuzzy -means clustering algorithm （FCM）

multivariate variational mode decomposition （MVMD）

convolutional neural network （CNN）

bidirectional long short-term memory network （BiLSTM）

and attention mechanism （ATTENTION） is proposed.Firstly

the PIA is utilized to repair the missing data in the dataset. Secondly

the FCM algorithm clusters historical data into sunny

cloudy

and rainy days. Then

the MVMD is employed to decompose the PV power into several intrinsic mode functions （IMFs）.Subsequently

a combination of CNN and BiLSTM networks is used to fully extract the features of each IMF

with the Attention Mechanism introduced to emphasize and weigh important information. Finally

the forecasting of each IMF is conducted

and the predicted values are summed to obtain the final prediction result. Compared with other PV power forecasting models

the proposed hybrid model demonstrates superior forecasting accuracy.

关键词

Keywords

references

张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819.

张童彦, 廖清芬, 唐飞, 等. 基于气象资源插值与迁移学习的广域分布式光伏功率预测方法[J]. 中国电机工程学报, 2023, 43(20): 7929-7940.

黄博阳, 何肖蒙, 肖小兵, 等. 基于FCM-WS-BP的光伏日前出力预测研究[J]. 控制工程, 2023, 30(12): 2254-2260.

刘兴华, 耿晨, 谢胜寒, 等. 考虑光伏发电不确定性的日前火电-光伏经济调度[J]. 系统仿真学报, 2022, 34(8): 1874-1884.

李争, 张杰, 徐若思, 等. 基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测[J]. 太阳能学报, 2024, 45(2): 460-468.

王仲平, 何黎黎, 丁更乾. 基于EMD-LSTM-ARMA模型短期发电量组合预测[J]. 现代电子技术, 2023, 46(3): 151-155.

王瑞, 高强, 逯静. 基于CEEMDAN-LSSVM-ARIMA模型的短期光伏功率预测[J]. 传感器与微系统, 2022, 41(5): 118-122.

杨延勇, 孟祥剑, 高峰, 等. 一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法[J]. 华北电力大学学报(自然科学版), 2021, 48(2): 55-63.

吴汉斌, 时珉, 郑焕坤, 等. 基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测[J]. 太阳能学报, 2023, 44(11): 64-71.

LIMOUNI T, YAAGOUBI R, BOUZIANE K, et al.Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model[J]. Renewable energy, 2023, 205: 1010-1024.

HOSSAIN M S, MAHMOOD H.Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast[J]. IEEE access, 2020, 8: 172524-172533.

AMIRI A F, KICHOU S, OUDIRA H, et al.Fault detection and diagnosis of a photovoltaic system based on deep learning using the combination of a convolutional neural network(CNN) and bidirectional gated recurrent unit (Bi-GRU)[J]. Sustainability, 2024, 16(3): 1012.

JIA P Y, ZHANG H B, LIU X M, et al.Short-term photovoltaic power forecasting based on VMD and ISSA-GRU[J]. IEEE access, 2021, 9: 105939-105950.

金伟勇, 卢丽娜, 赖欢欢, 等. 基于功率特征的K-ISSA-LSTM光伏功率预测[J]. 太阳能学报, 2024, 45(2): 429-434.

陈龙, 张菁, 张昊立, 等. 基于VMD和射箭算法优化改进ELM的短期光伏发电预测[J]. 太阳能学报, 2023, 44(10): 135-141.

焦丕华, 蔡旭, 王乐乐, 等. 考虑数据分解和进化捕食策略的BiLSTM短期光伏发电功率预测[J]. 太阳能学报, 2024, 45(2): 435-442.

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.

纪德洋, 金锋, 冬雷, 等. 基于皮尔逊相关系数的光伏电站数据修复[J]. 中国电机工程学报, 2022, 42(4): 1514-1523.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

SHORT-TERM PHOTOVOLTAIC POWER FORECASTING BASED ON MULTIVARIATE VARIATIONAL MODE DECOMPOSITION AND HYBRID DEEP NEURAL NETWORK

DESIGN OF POWER GENERATION PREDICTION MODEL FOR WIND FARMS DURING SHORT-TERM HEAVY RAINFALL WEATHER

SHORT-TERM PHOTOVOLTAIC POWER FORECAST METHOD BASED ON SIMILAR DAYS AND ISC-BiLSTM

SHORT-TERM PV POWER FORECASTING BASED ON CLUSTERING SABO-VMD AND ENSEMBLE NEURAL NETWORKS

基于注意力机制的Bi-LSTM光伏发电超短期功率预测方法研究与实施

Related Author

Guo Wei

Sun Shengbo

Tao Peng

Xu Jianyun

Bai Xinlei

Hu Jiaqiu

Tang Jian

Zhuo Yixin

Related Institution

Marketing Service Center of State Grid Hebei Electric Power Co., Ltd

Eastern E-Energy（Beijing）Co., Ltd.

Power Dispatching Control Center, Guangxi Power Grid

College of Electrical Engineering, Automation, Southwest Petroleum University

State Grid Sichuan Electric Power Research Institute

AI问答

⁰