基于STSV-CNN-BiLSTM的短期光伏功率预测

摘要

针对光伏发电功率的高波动性导致预测模型精度不足的问题，提出一种新型短期光伏功率预测模型，该模型融合鹭鹰优化算法双分解（secretary bird optimization algorithm double decomposition,STSV）、卷积神经网络（convolutional neural network,CNN）和双向长短期记忆（bidirectional long short-term memory,BiLSTM）神经网络.利用皮尔逊相关系数法识别影响光伏发电功率的关键气象特征，采用鹭鹰优化算法对时变滤波经验模态分解参数进行优化.基于样本熵的复杂度评估和K-means聚类方法，将分解得到的模态重构为高频、中频和低频项，并对高频项进行变分模态分解以进一步降低波动性.构建CNN-BiLSTM模型以挖掘光伏功率与气象因素之间的内在联系，通过叠加各分量的预测结果来获得短期光伏功率预测.以江苏某光伏电站的实际数据为例进行仿真，结果表明，本模型在均方根误差、平均绝对误差和平均绝对百分比误差方面相较于其他模型分别降低35.6%、32.3%和29.6%，显著提升了预测的准确性.

关键词

鹭鹰优化算法 / 时变滤波经验模态分解 / 双向长短期记忆神经网络 / 变分模态分解