基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型

窦真兰; 吴松梅; 郭慧; 张春雁; 汪飞

doi:doi:10.19912/j.0254-0096.tynxb.2024-1760

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型

更新时间：2026-03-06

- 基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型
- Vol. 47, Issue 2, Pages: 67-75(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1760
  CLC： TM615
- Online First：05 March 2026，
  
  Published：05 March 2026
- 稿件说明：
移动端阅览
窦真兰, 吴松梅, 郭慧, et al. 基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型[J]. 2026, 47(2): 67-75.
DOI：

窦真兰, 吴松梅, 郭慧, et al. 基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型[J]. 2026, 47(2): 67-75. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1760.

摘要

为提高光伏功率的预测精度

提出一种基于完全自适应噪声经验模态分解（CEEMDAN）和串行卷积神经网络及门控神经网络（CNN-GRU）的光伏功率组合预测模型。首先

针对光伏功率波动性对预测结果的影响

采用CEEMDAN将原始光伏功率分解为若干子序列降低序列的非平稳性

并通过样本熵（SE）计算各子序列的复杂度

将SE值相近的序列

进行重组以减少计算量。其次

为克服单一神经网络在学习光伏功率历史数据特征的局限性

提出串行CNN-GRU混合神经网络以充分挖掘光伏功率的时空特征;将各子序列输入串行CNN-GRU得到预测结果

并将子序列预测结果叠加得到光伏功率预测结果。最后

对两个地区的光伏电站进行实例验证

同时构建LSTM、GRU、CEEMDAN-LSTM、CEEMDAN-GRU和串行CNN-GRU

进行对比验证。结果表明

所提模型能得到良好的预测结果

拥有良好的预测精度和泛化能力。

Abstract

To enhance the accuracy of PV power forecasting

this paper proposes a combined forecasting model for PV power based on CEEMDAN and a serial CNN-GRU network. Firstly

considering the impact of PV power fluctuations on the forecasting results

CEEMDAN is used to decompose the original PV power into several subsequences to reduce the non-stationarity of the sequence. Each subsequence’s sample entropy（SE） is then calculated to measure its complexity

and subsequences with similar SE values are regrouped to reduce computational load. Secondly

to overcome the limitations of a single neural network in learning the historical characteristics of PV power

a serial CNN-GRU hybrid neural network is proposed to explore the spatiotemporal features of PV powerfully. Each subsequence is input into the serial CNN-GRU network to obtain the forecasting results

and the predicted values of the subsequences are summed to yield the final PV power forecasting results. Finally

case studies on PV power plants in two regions are conducted

with comparative validation against LSTM

GRU

CEEMDAN-LSTM

CEEMDAN-GRU

and the serial CNN-GRU models. The results show that the proposed model achieves superior forecasting accuracy and generalization capability.

关键词

Keywords

references

丁明, 王磊, 毕锐. 基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 电力系统保护与控制, 2012, 40(11): 93-99, 148.

王育飞, 付玉超, 孙路, 等. 基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 电网技术, 2018, 42(4): 1110-1116.

赵洪山, 孙承妍, 温开云, 等. 基于有向图卷积循环网络的分布式光伏出力超短期预测方法[J]. 太阳能学报, 2024, 45(8): 281-288.

KONSTANTINOU M, PERATIKOU S, CHARALAMBID ES A G. Solar photovoltaic forecasting of power output using LSTM networks[J]. Atmosphere, 2021, 12(1): 124.

刘国海, 孙文卿, 吴振飞, 等. 基于Attention-GRU的短期光伏发电功率预测[J]. 太阳能学报, 2022, 43(2): 226-232.

庞昊, 高金峰, 杜耀恒. 基于多神经网络融合的短期负荷预测方法[J]. 电力自动化设备, 2020, 40(6): 37-43.

党存禄, 杨海兰, 武文成. 基于LSTM和CatBoost组合模型的短期负荷预测[J]. 电气工程学报, 2021, 16(3): 62-69.

刘亚珲, 赵倩. 基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测[J]. 电网技术, 2021, 45(11): 4444-4451.

CHUNG W H, GU Y H, YOO S J.District heater load forecasting based on machine learning and parallel CNN-LSTM attention[J]. Energy, 2022, 246: 123350.

史佳琪, 马丽雅, 李晨晨, 等. 基于串行-并行集成学习的高峰负荷预测方法[J]. 中国电机工程学报, 2020, 40(14): 4463-4472.

孟安波, 许炫淙, 陈嘉铭, 等. 基于强化学习和组合式深度学习模型的超短期光伏功率预测[J]. 电网技术, 2021, 45(12): 4721-4728.

王开艳, 杜浩东, 贾嵘, 等. 基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测[J]. 高电压技术, 2022, 48(11): 4372-4388.

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.

陈梓行, 金涛, 郑熙东, 等. 基于新型日期映射法和ISGU混合模型的短期电力负荷预测[J]. 电力系统保护与控制, 2022, 50(15): 72-80.

LI P T, ZHOU K L, LU X H, et al.A hybrid deep learning model for short-term PV power forecasting[J]. Applied energy, 2020, 259: 114216.

高相铭, 杨世凤, 潘三博. 基于EMD和ABC-SVM的光伏并网系统输出功率预测研究[J]. 电力系统保护与控制, 2015, 43(21): 86-92.

王振浩, 王翀, 成龙, 等. 基于集合经验模态分解和深度学习的光伏功率组合预测[J]. 高电压技术, 2022, 48(10): 4133-4142.

杨茂, 王凯旋. 基于CEEMD-DBN模型的光伏出力日前区间预测[J]. 高电压技术, 2021, 47(4): 1156-1164.

TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al.A complete ensemble empirical mode decomposition with adaptive noise[C]//2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Prague, Czech Republic, 2011: 4144-4147.

RICHMAN J S, MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy[J]. American journal of physiology heart and circulatory physiology, 2000, 278(6): H2039-H2049.

TAO Q, LIU F, LI Y, et al.Air pollution forecasting using a deep learning model based on 1D convnets and bidirectional GRU[J]. IEEE access, 2019, 7: 76690-76698.

GAO M Y, ZHANG N, SHEN S L, et al.Real-time dynamic earth-pressure regulation model for shield tunneling by integrating GRU deep learning method with GA optimization[J]. IEEE access, 2020, 8: 64310-64323.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于贝叶斯优化超参数的光伏功率区间预测方法

PHOTOVOLTAIC POWER FORECASTING BASED ON MAXIMUM OVERLAP DISCRETE WAVELET TRANSFORM AND DEEP LEARNING

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

热辅助光注入提升硅异质结太阳电池性能研究

小翼扭角对潮流能水轮机水动力性能的数值研究

Related Author

陆佳恩

赵健

李小勇

Ma Lele

Kong Xiaobing

Guo Lei

Liu Yuanyan

Liu Xiangjie

Related Institution

School of Control and Computer Engineering, North China Electric Power University

AI问答

⁰