基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型

吴伟丽; 米婵; 李磊

doi:doi:10.19912/j.0254-0096.tynxb.2024-1159

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型

更新时间：2025-12-10

- 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型
- 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型
- 太阳能学报 2025年第11期页码：181-192
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1159
  中图分类号： M615
- 网络出版：2025-12-04，
  
  纸质出版：2025-12-04
- 稿件说明：
移动端阅览
吴伟丽, 米婵, 李磊. 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型[J]. 太阳能学报, 2025,(11):181-192.

吴伟丽, 米婵, 李磊. 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型[J]. 2025, (11): 181-192.
吴伟丽, 米婵, 李磊. 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型[J]. 太阳能学报, 2025,(11):181-192. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1159.

吴伟丽, 米婵, 李磊. 基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型[J]. 2025, (11): 181-192. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1159.

摘要

为提高光伏发电功率预测的准确性

提出一种考虑邻近电站气象信息的多元气象特征和改进组合神经网络的光伏功率短期预测模型。首先

考虑相邻分布光伏电站之间的地理因素和气候条件的相关性

利用灰色关联法确定待预测电站的主要影响因素

构成多元气象信息关键特征作为预测模型的输入序列。其次

结合时间卷积网络（TCN）对输入序列信息有效提取和双向门控循环单元（BiGRU）对数据双向学习的优势

搭建TCN-BiGRU组合预测模型

并采用改进后的灰狼优化算法（IGWO）对BiGRU进行超参数寻优

实现光伏发电功率的高精度预测。最后

利用实测数据对所提模型加以验证

并与同类方法进行对比。结果表明与多元气象信息结合

预测模型能够有效提高一年四季中不同类型天气的发电功率预测精度;与其他预测模型相比较

即使在气候条件剧烈变化或随机变化时

所提方法的预测结果也能呈现出良好的预测精度。

Abstract

In order to improve the accuracy of PV power forecast

a short-term PV power forecast model is proposed

which takes into account the multivariate meteorological information from nearby power stations and improves the combined neural network. Firstly

considering the correlation between geographical factors and climatic conditions among adjacent distributed photovoltaic power stations

the grey correlation method is used to determine the main influencing factors of the power stations to be predicted

and the key features of multivariate meteorological information are constituted as the input sequence of the prediction model. Secondly

combining the advantages of the temporal convolutional network （TCN） for efficient extraction of input sequence information and bidirectional gated recurrent unit （BiGRU） for bidirectional data learning

a combined prediction model of TCN-BiGRU is built

and the improved Grey Wolf optimization algorithm （IGWO） is used to optimize the hyperparameters of BiGRU

so as to achieve high-precision prediction of photovoltaic power generation. Finally

the proposed model is verified by the measured data and compared with the similar methods. The results show that combined with multivariate meteorological information

the prediction model can effectively improve the prediction accuracy of power generation in different types of weather throughout the year

and compared with other prediction models

the proposed method can also show good prediction accuracy even when the climate conditions change drastically or randomly.

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.

龚莺飞, 鲁宗相, 乔颖, 等. 光伏功率预测技术[J]. 电力系统自动化, 2016, 40(4): 140-151.

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.

商立群, 李洪波, 侯亚东, 等. 基于VMD-ISSA-KELM的短期光伏发电功率预测[J]. 电力系统保护与控制, 2022, 50(21): 138-148.

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.

ZHOU Y, ZHOU N R, GONG L H, et al.Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine[J]. Energy, 2020, 204: 117894.

STUL M, STUL K, LEENDERS R, et al.Development of a SVM prediction model to optimize the energy consumption of industrial installations by detecting and classifying errors at an early S[J]. International journal of mechanical engineering and robotics research, 2017, 62(2): 108-113.

孙泽贤, 孙鹤旭. 计及误差反馈的短期风电功率预测[J]. 太阳能学报, 2020, 41(8): 281-287.

谢小瑜, 周俊煌, 张勇军, 等. 基于W-BiLSTM的可再生能源超短期发电功率预测方法[J]. 电力系统自动化, 2021, 45(8): 175-184.

周恒俊, 王璇, 王志远, 等. 基于MIPCA与GRU网络的光伏出力短期预测方法[J]. 电力系统及其自动化学报, 2020, 32(9): 55-62.

李宏扬, 高丙朋. 基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测[J]. 太阳能学报, 2023, 44(8): 292-300.

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.

董雪, 赵宏伟, 赵生校, 等. 基于SOM聚类和二次分解的BiGRU超短期光伏功率预测[J]. 太阳能学报, 2022, 43(11): 85-93.

王瑞, 张璐婷, 逯静. 基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测[J]. 湖南大学学报(自然科学版), 2024, 51(2): 68-80.

吉兴全, 赵国航, 叶平峰, 等. 基于QMD-HBi GRU的短期光伏功率预测方法[J]. 高电压技术, 2024, 50(9): 3850-3859.

王鹏, 高永宝, 寇少磊, 等. 基于灰色关联度-RSM模型对原子吸收光谱法测定金元素条件的多目标优化[J]. 光谱学与光谱分析, 2023, 43(10): 3117-3124.

滕陈源, 丁逸超, 张有兵, 等. 基于VMD-Informer-BiLSTM模型的超短期光伏功率预测[J]. 高电压技术, 2023, 49(7): 2961-2971.

YANG T T, SUN X W, YANG H R, et al.Integrated thermal error modeling and compensation of machine tool feed system using subtraction-average-based optimizer-based CNN-GRU neural network[J]. The international journal of advanced manufacturing technology, 2024, 131(12): 6075-6089.

陈禹帆, 温蜜, 张凯, 等. 基于相似日匹配及TCN-Attention的短期光伏出力预测[J]. 电测与仪表, 2022, 59(10): 108-116.

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.

邹智, 吴铁洲, 张晓星, 等. 基于贝叶斯优化CNN-BiGRU混合神经网络的短期负荷预测[J]. 高电压技术, 2022, 48(10): 3935-3945.

张晓凤, 王秀英. 灰狼优化算法研究综述[J]. 计算机科学, 2019, 46(3): 30-38.

吕大青, 杨欢红, 杜浩良, 等. 基于小波KPCA与Bi-LSTM的特高压换流站测控装置健康评估和预测[J]. 电力系统保护与控制, 2022, 50(19): 80-87.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于样本熵双分解和SSA-LSTM的超短期风速预测

基于TCN-BiLSTM-Attention-ESN的光伏功率预测

一种高分辨率的光伏短期功率预测模型

基于综合相似日选取和二次分解的NGO-CNN-LSTM光伏功率短期预测研究