基于VMD-PCA-PINN模型的分布式光伏发电预测研究

摘要

[目的]分布式光伏作为乡村能源体系的关键组成部分，其精准功率预测对提升农村配电网可再生能源消纳能力、保障农村电网安全稳定运行具有重要意义。针对农村地区不同天气条件下光伏功率序列呈现非线性、间歇性和时变性，且传统模型在不同天气下预测精度不足的问题，提出一种融合变分模态分解（VMD）、主成分分析（PCA）与物理信息神经网络（PINN）的组合模型VMD-PCA-PINN，以解决农村复杂气象场景下的短期功率预测难题。[方法]基于河北省某农村光伏实测数据，将数据集划分为四季及晴天、多云、雨天、雪天4种天气场景；通过VMD技术将非平稳光伏功率序列分解为多个本征模态函数（IMF），降低随机波动性与噪声干扰；利用PCA对高维IMF特征降维，剔除冗余特征；构建嵌入光伏物理约束的PINN网络，其损失函数融合数据拟合误差与光电转化物理规律，确保预测结果的合理性。[结果]VMD-PCA-PINN模型在多场景下均表现优异：晴天R²、MAPE与RPD指标分别达0.972,0.122%,5.98；雨天分别达0.943,0.297%,4.19；多云天气分别达0.964,0.257%,5.27；雪天分别达0.931,0.329%,3.81，展现出优异的预测精度与鲁棒性。[结论]该模型通过信号分解、特征优化与物理约束的协同作用，显著提升农村光伏短期预测性能，为乡村能源优化提供可靠技术支撑。

关键词

光伏发电 / 短期功率预测 / 物理信息神经网络(PINN) / 变分模态分解(VMD) / 主成分分析(PCA)

基金资助

辽宁省教育厅基本科研项目（LJ212510157022）