基于融合聚类和BKA-VMD-TCN-BiLSTM的短期光伏功率预测

摘要

针对光伏系统功率输出因天气条件波动大且随机性强的特点，提出了一种基于融合聚类的短期光伏功率组合预测模型。首先通过改进的Kmeans聚类算法（GMKmeans）将原始光伏数据集分为晴天、阴天和雨天3种天气模式。在此基础上，为解决变分模态分解(VMD)分解数量和惩罚因子难以人工确定的问题，引入黑翅鸢优化算法（BKA）实现VMD参数的自适应优化。随后利用优化后的VMD将光伏功率时间序列数据分解成多个本征模态函数（Intrinsic Mode Functions,IMF），确保模型能够更深入地理解和模拟光伏功率随时间演变的复杂模式。最后，针对各IMF分量分别构建时序卷积网络（TCN）-双向长短期记忆网络（BiLSTM）组合预测模型，并将预测结果叠加重构，实现对整体光伏功率输出的高精度预测。实验结果表明，该预测模型提升了光伏功率预测的准确性和有效性。

关键词

短期光伏功率预测 / 变分模态分解 / 黑翅鸢优化算法 / 时序卷积网络 / 双向长短期记忆网络

基金资助

国家自然科学基金(62273133); 河南省科技攻关项目(222102210120)