基于EGO-CEEMDAN-VMD-BiGRU模型的短期光伏发电功率预测方法

摘要

为提高光伏发电功率的预测精度，基于参数优化的双重数据分解方法，提出了一种EGO-CEEMDAN-VMD-BiGRU短期光伏发电功率预测模型.首先，基于鳗鱼-石斑鱼优化（eel and grouper optimizer, EGO）算法获得自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）的最优参数，对光伏数据集进行初次分解；其次，采用K均值聚类算法将模态分量聚类为高频、中频和低频三类分量，以降低各分量之间的冗余性；再次，采用EGO算法优化变分模态分解（variational mode decomposition, VMD）的参数，再对高频分量进行二次分解，以降低序列的非平稳性；最后，采用双向门控循环单元（bidirectional gated recurrent unit, BiGRU）对两次分解得到的分量进行预测，并累加获得最终预测结果 .基于宁夏地区某光伏电厂的数据集，将EGO-CEEMDAN-VMDBiGRU模型与BiGRU、VMD-BiGRU和CEEMDAN-VMD-BiGRU模型进行对比，三种天气条件下的平均MAE分别下降了68.93%、55.84%和44.56%;RMSE分别下降了68.23%、53.38%和41.03%.试验结果表明，提出的光伏发电功率预测模型具有较高的精确性和稳定性，对电力系统的安全可靠运行有一定的实际意义.

关键词

光伏发电 / 预测模型 / 自适应噪声完全集合经验模态分解 / K均值聚类 / 变分模态分解 / 鳗鱼-石斑鱼优化算法 / 双向门控循环单元