基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

作     者：滕陈源 丁逸超 张有兵 李烁 莫雅俊 TENG Chenyuan;DING Yichao;ZHANG Youbing;LI Shuo;MO Yajun

作者机构：浙江工业大学信息工程学院杭州310034 国网浙江省电力有限公司杭州供电公司杭州310000 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2023年第49卷第7期

页      面：2961-2971页

核心收录：

学科分类：12[管理学] 08[工学] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0805[工学-材料科学与工程（可授工学、理学学位）] 0706[理学-大气科学] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(U22B20116) 

主　　题：光伏功率预测 时间序列 变分模态分解 Informer 双向长短期神经网络 集成预测 

摘      要：由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。