基于改进PGA优化VMD的ARIMA-LSTM混合模型的光伏功率预测

摘要

[目的]大规模太阳能发电的固有波动性给智能电网的能源管理带来重大挑战。准确预测太阳能功率对于保障智能电网的经济运行至关重要。提出一种基于改进向光生长优化算法（PGA）优化变分模态分解（VMD）并融合自回归差分移动平均（ARIMA）和长短期记忆神经网络（LSTM）的光伏功率预测模型。[方法]利用改进PGA对VMD的模态数和惩罚因子寻优，将原始非平稳的功率序列分解为平稳的子模态，依据各模态波动特性构建ARIMA和LSTM预测模型，叠加重构得到最终预测值。以实际光伏电站历史数据为样本将LSTM、ARIMA-LSTM、PGA-VMD-ARIMA-LSTM以及IPGA-VMD-ARIMA-LSTM进行对比试验。选取多种评价指标对提出的改进模型进行评价。[结果]IPGA-ARIMA-LSTM的MAE降为0.5,RMSE为0.78,MAPE低至1.37，精度最高，较PGA-VMD-ARIMA-LSTM精度提高18.9%。[结论]改进PGA优化VMD的ARIMA-LSTM在拟合度、预测精度和稳定性方面均优于传统方法，通过改进传统方法对参数进行优化，显著提升预测性能。

关键词

光伏发电 / 功率预测 / LSTM / ARIMA-LSTM / PGA算法

基金资助

国家自然科学基金项目（61903264）