收稿日期：2022-10-12

基金項(xiàng)目：國家自然科學(xué)基金（51837007）；山東省重點(diǎn)研發(fā)計(jì)劃（2019JZZY020804）

通信作者：蔡 旭（1964—），男，博士、教授，主要從事新能源并網(wǎng)技術(shù)及電力系統(tǒng)優(yōu)化調(diào)度方面的研究。20604010003@sdut.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1536 文章編號(hào)：0254-0096（2024）02-0435-08

摘 要：提出一種考慮數(shù)據(jù)分解和進(jìn)化捕食策略的雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）短期光伏發(fā)電功率預(yù)測模型。首先，針對(duì)大量高頻分量且頻率成分復(fù)雜的原始光伏發(fā)電功率，通過數(shù)據(jù)分解理論，提出互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）與矩陣運(yùn)算的奇異值分解（SVD）融合的（SVD-CEEMD-SVD， SCS）方法，實(shí)現(xiàn)光伏發(fā)電功率數(shù)據(jù)的二次降噪。然后，建立進(jìn)化捕食策略（EPPS）和BiLSTM的組合預(yù)測模型，以更好地挖掘模型的內(nèi)在特征，提升功率預(yù)測精度。最后，以山東某地區(qū)實(shí)際光伏電站為例，驗(yàn)證模型在濾除光伏發(fā)電功率噪聲和提升預(yù)測精度方面的有效性。

關(guān)鍵詞：光伏發(fā)電；預(yù)測；奇異值分解；進(jìn)化捕食策略；雙向長短期記憶網(wǎng)絡(luò)

中圖分類號(hào)：TM715 """"" 文獻(xiàn)標(biāo)志碼：A

0 引 言

短期光伏發(fā)電功率預(yù)測是電力系統(tǒng)生產(chǎn)調(diào)度的重要組成部分，是降低碳排放和改善能源結(jié)構(gòu)的重要手段［1］。但光伏發(fā)電受天氣變化的影響較大，使得發(fā)電功率呈現(xiàn)波動(dòng)性、非線性和非平穩(wěn)特征，對(duì)于電力系統(tǒng)穩(wěn)定經(jīng)濟(jì)運(yùn)行產(chǎn)生較大影響［2］。因此，亟需更深入地研究預(yù)測光伏發(fā)電功率的方法，實(shí)現(xiàn)更精準(zhǔn)預(yù)測，以期為經(jīng)濟(jì)調(diào)度提供重要支撐［3］。

光伏發(fā)電功率預(yù)測算法主要包括卡爾曼濾波法［4］、基于回歸模型［5］的時(shí)間序列法和基于神經(jīng)網(wǎng)絡(luò)的［6］人工智能預(yù)測方法。其中，時(shí)間序列法較適合數(shù)據(jù)的短期預(yù)測，當(dāng)存在多元數(shù)據(jù)劇烈波動(dòng)，相互關(guān)聯(lián)且存在相互擾動(dòng)時(shí)，預(yù)測誤差相對(duì)較大。目前，神經(jīng)網(wǎng)絡(luò)因?qū)W習(xí)能力和適應(yīng)性較強(qiáng)，被廣泛應(yīng)用到相關(guān)的數(shù)據(jù)預(yù)測方面，尤其是在應(yīng)對(duì)非線性和波動(dòng)性等方面有較好的適應(yīng)能力。然而，神經(jīng)網(wǎng)絡(luò)仍面臨著訓(xùn)練大量歷史數(shù)據(jù)帶來的計(jì)算效率低的問題。

當(dāng)數(shù)據(jù)具有隨機(jī)性和非線性特征時(shí)，常用的單一預(yù)測算法往往無法保證數(shù)據(jù)的精度和準(zhǔn)確性［7］。組合預(yù)測模型能充分挖掘單一模型的優(yōu)勢，通過不同模型的結(jié)合、信號(hào)分解和參數(shù)尋優(yōu)等方式提高功率預(yù)測精度。其中，對(duì)于非線性和非平穩(wěn)性的數(shù)據(jù)序列的分解方法主要有經(jīng)驗(yàn)?zāi)B(tài)分解法（empirical mode decomposition， EMD）［8］、變分模態(tài)分解法（variational mode decomposition，VMD）［9］、小波變換法（wavelet transform，WT）［10］以及相應(yīng)的改進(jìn)方法。EMD算法相對(duì)于VMD和WT算法的優(yōu)勢在于無需人為設(shè)定參數(shù)，數(shù)據(jù)分析過程具有自適應(yīng)性，但其缺陷在于模態(tài)混疊，影響特征識(shí)別和分量預(yù)測。互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition，CEEMD）通過向原始信號(hào)中加入正負(fù)成對(duì)的輔助白噪聲，降低殘余輔助噪聲，使得分解后的低頻閃爍噪聲和重構(gòu)誤差大大減?。?1］。此外，為了提取光伏發(fā)電功率數(shù)據(jù)的主特征，消除因CEEMD分解或天氣環(huán)境因素導(dǎo)致的噪聲，利用奇異值分解算法（singular value decomposition，SVD）對(duì)光伏發(fā)電功率數(shù)據(jù)進(jìn)行修正，降低高頻白噪聲信號(hào)。

在神經(jīng)網(wǎng)絡(luò)模型中，雙向長短期記憶網(wǎng)絡(luò)（bi-directional long short-term memory，BiLSTM）由于自身具備較好的記憶保留和篩選功能而得到廣泛應(yīng)用。但BiLSTM的預(yù)測精度很大程度受結(jié)構(gòu)參數(shù)的制約。假如參數(shù)設(shè)置不合適，則仿真得到的模型很難實(shí)現(xiàn)最終目標(biāo)［12］?；诖?，本文選用BiLSTM作為基礎(chǔ)網(wǎng)絡(luò)，并采用進(jìn)化捕食策略（evolutionary predator and prey strategy，EPPS）對(duì)BiLSTM的學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)目和迭代次數(shù)3個(gè)參數(shù)進(jìn)行優(yōu)化［13］，構(gòu)建EPPS-BiLSTM的短期光伏發(fā)電功率預(yù)測模型。

基于上述討論，本文針對(duì)光伏發(fā)電的數(shù)據(jù)特性，選取光伏功率和環(huán)境因素，利用歐氏距離挑選出待測日的相似日數(shù)據(jù)，然后構(gòu)建基于CEEMD和SVD的SCS數(shù)據(jù)分解方法，得到幅值不同、頻率各異的本征模態(tài)函數(shù)和剩余分量，并進(jìn)行降噪處理。此外，通過EPPS算法優(yōu)化的BiLSTM網(wǎng)絡(luò)對(duì)本征模態(tài)分量進(jìn)行預(yù)測并疊加計(jì)算，實(shí)現(xiàn)光伏功率預(yù)測。最后，以真實(shí)數(shù)據(jù)進(jìn)行預(yù)測仿真實(shí)驗(yàn)，并與當(dāng)前相關(guān)的預(yù)測方法進(jìn)行對(duì)比，驗(yàn)證本文所提模型的有效性。

1 數(shù)據(jù)分解

為了能更好地濾除光伏發(fā)電功率數(shù)據(jù)中的低頻閃爍噪聲和分解后產(chǎn)生分量的高頻白噪聲，提出CEEMD與SVD融合的SCS數(shù)據(jù)分解方法。

1.1 互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解

通過自適應(yīng)分解多個(gè)代表原始數(shù)據(jù)不同局部特征的本征模函數(shù)（intrinsic mode function，IMF），CEEMD能有效處理時(shí)間序列的波動(dòng)性和非線性，并濾除低頻噪聲。

對(duì)于給定的數(shù)據(jù)[xt]，計(jì)算[xt]的最大值[xmax.t]和最小值[xmin.t]，然后計(jì)算時(shí)間序列的均值[x1，t=（xmax，t+xmin，t）2]。將[s11，t]作為初始數(shù)據(jù)序列，重復(fù)[m]次直至平均值趨于零為止，并將篩分門限[xSD]作為判斷條件：

[xSD=t=0Tsm-11，t-sm1，t2sm-11，t2]"""" （1）

此外，定義最高頻序列[sIMF1，t=s11，t]，[s11，t]為去掉低頻的新序列，[s11，t=Zt-x1，t]，其中[Zt]為原始序列，從xt中減去[sIMF1，t]，得到剩余殘差序列[r1，t=xt-c1，t]。不斷重復(fù)上述篩選過程，得到各IMF分量和殘差。

[xt=i=1nsIMF1，t+rn，t]"" （2）

[x+it=xt+μ+itx-it=xt+μ-it] （3）

式中：[x+it]——添加隨機(jī)高斯白噪聲后的正序列；[x-it]——添加隨機(jī)高斯白噪聲后的負(fù)序列；[μ+it]——添加的正序高斯白噪聲； [μ-it]——添加的負(fù)序高斯白噪聲。

將正負(fù)序列經(jīng)過CEEMD分解得到分量和殘余分量：

[sIMFj=12ni=1nsIMFij+sIMF-ij]" （4）

[rres=12ni=1nri+r-i]""""" （5）

1.2 基于矩陣運(yùn)算的奇異值分解模型

本文出于獲取光伏發(fā)電功率數(shù)據(jù)主特征和避免天氣、系統(tǒng)等原因造成噪聲干擾的目的，特選擇使用SVD算法來對(duì)數(shù)據(jù)實(shí)現(xiàn)校正降噪。該算法能把原始數(shù)據(jù)信號(hào)有效分解成幾個(gè)線性分量，從而使得得到的奇異值在一定程度上反映數(shù)據(jù)的不同特征。

針對(duì)[m×n]秩為[r]的實(shí)數(shù)矩陣[A]，經(jīng)SVD可得到：

[A=U∑VT=σ1u1v1+σ2u2v2+…+σrurvr]"""" （6）

式中：[UUT=I]；[VVT=I]；[U、V]——單位正交矩陣；[∑]——奇異值矩陣；[U∈Rm×m]；[Σ∈Rm×n;][V∈Rn×n]。

[U=u1，…，ui，…，umV=v1，…，vi，…，vm∑=diagσ1，…，σi，…，σmr=RankAlt;minm，n] （7）

式中：[σi]滿足條件[σ1≥σ2≥…≥σmgt;0]；[ATAvi=σivi]。

SVD降噪和數(shù)據(jù)修正具體方法如下：

1）選取測試的數(shù)據(jù)序列[Y{y1，y2，…，yN}，]構(gòu)造Hankel矩陣[K]：

[K=y1y2…yny2y3…yn+1????yN-n+1yN-n+2…yN]"""""" （8）

2）設(shè)測試數(shù)據(jù)的真實(shí)值序列為[Z]，噪聲序列為[H，]則矩陣[K]可表示為：

[K=Z+H] （9）

3）通過奇異值分解將矩陣分解為：

[K=Uz UhZz00ZhVz VhT]""" （10）

式中：下標(biāo)中：[z]——測試數(shù)據(jù)的真實(shí)序列；[h]——測試數(shù)據(jù)噪聲序列。

通過SVD分解找出奇異值，并將奇異值剔除，實(shí)現(xiàn)對(duì)噪聲的分離。

1.3 SCS數(shù)據(jù)分解

通過數(shù)據(jù)分解理論，結(jié)合CEEMD和SVD算法的優(yōu)勢，構(gòu)建基于CEEMD和SVD的SCS數(shù)據(jù)分解方法，對(duì)光伏發(fā)電功率數(shù)據(jù)進(jìn)行降噪處理。SCS方法的求解流程如圖1所示。

2 基于進(jìn)化捕食策略的雙向長短期記憶網(wǎng)絡(luò)

2.1 進(jìn)化捕食策略

進(jìn)化捕食策略（EPPS）算法受啟發(fā)于獵狗羚羊生存博弈的動(dòng)態(tài)交互行為，是一種基于群體的啟發(fā)式優(yōu)化算法 ［14］。通過測試標(biāo)準(zhǔn)函數(shù)和實(shí)際優(yōu)化問題，證實(shí)了EPPS在精度和穩(wěn)定性方面的性能優(yōu)于群體搜索算法（group search optimizer，GSO）、基于集合的粒子群算法（set-based particle swarm optimization， SPSO）、差分進(jìn)化算法（differential evolution，DE）和協(xié)方差矩陣自適應(yīng)進(jìn)化策略（covariance matrix adaptation evolutionary strategies，CMA-ES）算法［15］。因此，本文選用EPPS算法優(yōu)化BiLSTM網(wǎng)絡(luò)，實(shí)現(xiàn)BiLSTM網(wǎng)絡(luò)的優(yōu)化運(yùn)行，提升光伏功率預(yù)測精度。

EPPS算法的具體過程如下：

1）初始化算法參數(shù)：種群規(guī)模[Ppop]，最大迭代次數(shù)IGen。

2）計(jì)算被捕食者的掃描距離l：

[l=xp-xs=i=1nxpi-xsi2]" （11）

式中：[xp]——被捕食者；[xs]——安全位置；[xpi]——第[i]個(gè)被捕食者；[xsi]——第[i]個(gè)安全位置。

3）執(zhí)行被捕食者的搜索機(jī)制，首先零角度掃描搜索，然后隨機(jī)一個(gè)角度分別向右和向左搜索：

[xz=xp+l×Dpφ]"" （12）

[xr=xp+l×Dpφ+r1θmax/2]"""""" （13）

[xl=xp+l×Dpφ-r1θmax/2] （14）

式中：[Dpφ]——單位向量；[φ∈?n-1]——零度視角；[r1∈?n-1]——均勻分布在（0，1）的小數(shù)；[θmax]——最大搜索相角。

4）執(zhí)行經(jīng)驗(yàn)捕食者搜索機(jī)制：

[xi=m+τN0，C，" i=1，…，λ]""""" （15）

式中：[m]——進(jìn)化的所有個(gè)體的均值；[τ]——步長；[N（0，C）]——均值為0、方差為[C]的正態(tài)分布；[C]——進(jìn)化的所有個(gè)體的協(xié)方差；[λ]——經(jīng)驗(yàn)捕食者總數(shù)。

5）執(zhí)行策略捕食者搜索機(jī)制，策略捕食者根據(jù)被捕食者的逃跑方向和位置確定捕食路徑：

[xj=xp-r2×xp-xs，" j=1，…， μ] （16）

式中：[r2]——［0，1］內(nèi)的隨機(jī)數(shù)；[μ]——策略捕食者數(shù)量。

6）計(jì)算群體中個(gè)體的適應(yīng)值，更新被捕食者和安全位置。

7）判斷是否達(dá)到迭代終止條件，若是則終止計(jì)算，否則重復(fù)步驟2）～7）。

2.2 雙向長短期記憶網(wǎng)絡(luò)

BiLSTM是基于LSTM模型通過添加反饋連接建立反向傳輸層，實(shí)現(xiàn)正向傳遞信息和反向傳遞信息的充分利用，有助于提高預(yù)測精度。

輸入序列為[{x1， …， xt， …，xT}]，其中[xt]表示在第[t]時(shí)刻的向量數(shù)據(jù)。

[ft=σWfxf+Ufht-1+bfct=tanhWcxt+Ucht-1+bcit=σWixt+Uiht-1+biot=σWoxt+Uoht-1+boct=ft?ct-1⊕it?ctht=ot?tanhct]"""""" （17）

此外，Sigmoid和tanh激活函數(shù)為：

[FSigmoidx=11+exp-x]" （18）

[Ftanhx=expx-exp-xexpx+exp-x]" （19）

在[t]時(shí)刻下，輸出結(jié)果ht由正向[ht]和反向[ht]組成，[ht=ht，ht]，其中正向[ht]和反向[ht]輸出表達(dá)式分別為：

[ht=ht-1， xt，ct-1，" t∈1，T]""" （20）

[ht=ht+1， xt，ct+1，" t∈T，1]"" （21）

2.3 基于EPPS的BiLSTM光伏發(fā)電功率預(yù)測

本文利用EPPS算法對(duì)學(xué)習(xí)率[α]、隱藏層神經(jīng)元數(shù)目[m]和迭代次數(shù)H進(jìn)行優(yōu)化，提升BiLSTM網(wǎng)絡(luò)的運(yùn)行效率，實(shí)現(xiàn)基于EPPS的BiLSTM光伏發(fā)電功率預(yù)測?；贓PPS的BiLSTM光伏發(fā)電功率預(yù)測流程如圖2所示。

3 實(shí)例驗(yàn)證

本文基于光伏發(fā)電功率的變化特性，首先完成相似日及其數(shù)據(jù)的獲取，然后基于SCS數(shù)據(jù)分解算法對(duì)數(shù)據(jù)進(jìn)行處理，再通過EPPS算法優(yōu)化的BiLSTM模型完成數(shù)據(jù)預(yù)測?；跀?shù)據(jù)分解的EPPS-BiLSTM的短期光伏發(fā)電功率預(yù)測方法步驟如下：

1）選取天氣類型、環(huán)境最高溫度、環(huán)境最低溫度和相對(duì)濕度4個(gè)因素參數(shù)以及對(duì)應(yīng)的發(fā)電功率，利用歐氏距離挑選出待測日的相似日數(shù)據(jù)。

在歷史數(shù)據(jù)集[Dn]中，通過計(jì)算得到待預(yù)測日的數(shù)據(jù)訓(xùn)練集合：

[dik=j=13Xij-Xiej212，" i∈1，4，" j∈1，3，" e∈[1，n]] （22）

式中：[Xij]——預(yù)測日的相關(guān)參數(shù)；[i]——預(yù)測日天氣類型，包含晴天、雨天、多云和陰天4種類型；[j]——環(huán)境因素，包括環(huán)境最高溫度、環(huán)境最低溫度和相對(duì)濕度；[e]——與預(yù)測日相同天氣類型下的第[e]個(gè)數(shù)據(jù)。

2）構(gòu)建Hankel矩陣，通過SCS分解方法得到特征值的對(duì)角矩陣，并進(jìn)行數(shù)據(jù)處理，通過奇異值逆運(yùn)算還原數(shù)據(jù)信息。

3）對(duì)光伏發(fā)電功率進(jìn)行分解，得到本征模態(tài)分量和殘差序列。

4）將光伏發(fā)電功率拆分為訓(xùn)練集和測試集，利用EPPS算法優(yōu)化的BiLSTM網(wǎng)絡(luò)，實(shí)現(xiàn)本征模態(tài)分量的數(shù)據(jù)預(yù)測。

5）對(duì)BiLSTM預(yù)測后的本征模態(tài)分量結(jié)果求和，得到光伏發(fā)電功率預(yù)測值。

6）平均絕對(duì)百分誤差（mean absolute percentage errors，MAPE，[IMAPE]）和均方根誤差（root mean square error，RMSE，[IRMSE]）分別為：

[IMAPE=1Nt=1NYt-Y′tYt×100%]" （23）

[IRMSE=t=1NYt-Y′t2N]""" （24）

式中：[N]——預(yù)測時(shí)間尺度上的樣本點(diǎn)數(shù)；[Yt]——在[t]時(shí)刻的實(shí)際數(shù)據(jù)；[Y′t]——在[t]時(shí)刻的預(yù)測數(shù)據(jù)。

基于數(shù)據(jù)分解和EPPS-BiLSTM的光伏發(fā)電功率預(yù)測流程如圖3所示。

3.1 數(shù)據(jù)來源

以山東省某地區(qū)10塊230 W的光伏組件組建的小型光伏電站為例，數(shù)據(jù)采集時(shí)間為2021年10月—2022年10月06：00—19：00，采樣間隔15 min。數(shù)據(jù)集中選取10月29號(hào)（晴天）、10月31號(hào)（雨天）、10月27號(hào)（陰天）和10月22號(hào)（多云）的數(shù)據(jù)作為測試集，通過橫向（本文涉及方法）和縱向（其他方法）對(duì)比驗(yàn)證本文模型的預(yù)測效果。

3.2 數(shù)據(jù)分解

以晴天的數(shù)據(jù)集為例，SCS模型將光伏發(fā)電功率剔除低頻閃爍噪聲和高頻白噪聲并進(jìn)行分解，獲得具有原始?xì)埐钚蛄胁煌▌?dòng)尺度信息的本征模態(tài)分量以及相應(yīng)的殘差分量，然后針對(duì)不同本征模態(tài)分量分別建立時(shí)序預(yù)測模型。圖4為SCS組合模型進(jìn)行分解后的各模式分量。

SCS和CEEMD重構(gòu)誤差對(duì)比如圖5所示。由圖5可看出，SCS方法的重構(gòu)誤差數(shù)量級(jí)為10-12，相比于CEEMD算法的重構(gòu)誤差10-7得到了大幅提升，顯著降低了CEEMD分解后的高頻白噪聲，實(shí)現(xiàn)光伏發(fā)電功率數(shù)據(jù)的二次降噪。

SCS和CEEMD迭代次數(shù)對(duì)比如圖6所示。從圖6可看出，在達(dá)到相同精度的情況下，SCS算法的迭代次數(shù)遠(yuǎn)遠(yuǎn)小于CEEMD算法的迭代次數(shù)。此外，在相同迭代次數(shù)時(shí)SCS算法的精度更高，在提升重構(gòu)精度的同時(shí)分解效率也得到增強(qiáng)。因此，通過SCS算法能在提升數(shù)據(jù)處理速度的同時(shí)保證數(shù)據(jù)精度。

3.3 仿真結(jié)果分析

本文采用兩種組合搭配來驗(yàn)證所提模型的有效性。圖7為預(yù)測日分別為晴天、雨天、多云和陰天情況下6種模型的橫向?qū)Ρ?，包括SCS-EPPS-BiLSTM、CEEMD-EPPS-BiLSTM、SCS-BiLSTM、CEEMD-BiLSTM、EPPS-BiLSTM和BiLSTM模型。表1為6種模型下4種天氣的MAPE和RMSE指標(biāo)評(píng)價(jià)結(jié)果。

通過圖7和表1對(duì)比可看出，單一模型BiLSTM預(yù)測效果最差。在BiLSTM的基礎(chǔ)上，經(jīng)過CEEMD的數(shù)據(jù)分解或通過EPPS算法參數(shù)優(yōu)化后對(duì)預(yù)測結(jié)果的精度都有明顯提高。但未通過EPPS優(yōu)化的CEEMD-BiLSTM 模型和不經(jīng)過CEEMD處理的EPPS-BiLSTM模型在預(yù)測精度上都不如CEEMD-EPPS-BiLSTM模型。

此外，為了進(jìn)一步驗(yàn)證SCS模型的影響，通過 CEEMD-BiLSTM和SCS-BiLSTM對(duì)比以及CEEMD-EPPS-BiLSTM和SCS-EPPS-BiLSTM對(duì)比可看出，基于 SCS數(shù)據(jù)分解后誤差變小了。同時(shí)在時(shí)間上，本文的組合模型SCS-EPPS-BiLSTM 30次運(yùn)行時(shí)間平均值為118.0422 s，小于CEEMD-EPPS-BiLSTM組合模型30次運(yùn)行時(shí)間平均值150.5786 s，減少了計(jì)算時(shí)間，提升了運(yùn)算效率。

第2種組合是本文所提模型SCS-EPPS-BiLSTM與SCS-PSO-BiLSTM、SCS-GA-BiLSTM和SCS-GSO-BiLSTM模型的縱向?qū)Ρ?。圖8和表2為4種天氣類型下4種模型縱向比較結(jié)果。由表2可知，SCS-EPPS-BiLSTM模型的MAPE和RMSE均為最低，其中MAPE的平均值比SCS-PSO-BiLSTM低1.1453%，比SCS-GA-BiLSTM低0.7722%，比SCS-GSO-BiLSTM低0.6146%。由此可知，與目前常用的進(jìn)化算法相比，經(jīng)過EPPS優(yōu)化的BiLSTM模型預(yù)測準(zhǔn)確度最高。

4 結(jié) 論

依據(jù)光伏發(fā)電功率的特點(diǎn)，本文構(gòu)建了基于數(shù)據(jù)分解的SCS方法，并采用EPPS對(duì)BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，實(shí)現(xiàn)了基于數(shù)據(jù)分解和進(jìn)化捕食策略的BiLSTM短期光伏發(fā)電功率預(yù)測。本文的貢獻(xiàn)如下：

1）提出互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解與奇異值分解融合的方法，

能實(shí)現(xiàn)功率數(shù)據(jù)信號(hào)的二次降噪，較好地濾除數(shù)據(jù)中的高頻噪聲，實(shí)現(xiàn)主分量提取和數(shù)據(jù)降噪處理，保證數(shù)據(jù)預(yù)測精度。

2）通過采用尋優(yōu)能力和收斂速度快的EPPS算法挖掘BiLSTM網(wǎng)絡(luò)的內(nèi)在特征，對(duì)學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)目和迭代次數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)預(yù)測精度的提升。

3）本文提出的組合預(yù)測模型對(duì)非線性、含有高頻分量且頻率成分復(fù)雜的光伏發(fā)電功率進(jìn)行降噪和分解，實(shí)現(xiàn)了數(shù)據(jù)噪聲的剔除。對(duì)比其他相關(guān)的預(yù)測模型，本文模型預(yù)測更加準(zhǔn)確，效果更好。

［參考文獻(xiàn)］

［1］"""" 劉丹， 劉方， 許彥平. 基于MIV-PSO-BPNN的光伏出力短期預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（6）： 94-98.

LIU D，LIU F，XU Y P. Short-term photovoltaic power forecasting" based" on" MIV-PSO-BPNN" model［J］." Acta energiae solaris sinica， 2022， 43（6）： 94-98.

［2］"""" 倪超， 王聰， 朱婷婷， 等. 基于CNN-Bi-LSTM的太陽輻照度超短期預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（3）： 197-202.

NI C， WANG C， ZHU T T， et al. Super-short-term forecast of solar irradiance based on CNN-Bi-LSTM［J］. Acta energiae solaris sinica， 2022， 43（3）： 197-202.

［3］"""" 楊帆， 申亞， 李東東， 等. 基于GA-GNNM的極地光伏發(fā)電功率預(yù)測方法［J］. 太陽能學(xué)報(bào)， 2022， 43（4）： 167-174.

YANG F， SHEN Y， LI D D， et al. Polar photovoltaic power forecasting method based on GA-GNNM［J］. Acta energiae solaris sinica， 2022， 43（4）： 167-174.

［4］"""" 吳峰， 王飛， 顧康慧， 等. 基于MEEMD-ARIMA模型的波浪能發(fā)電系統(tǒng)輸出功率預(yù)測［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（1）： 65-70.

WU F， WANG F， GU K H， et al. Output power prediction of wave energy generation system based on modified ensemble" empirical" mode" decomposition-autoregressive integrated"" moving"" average"" model［J］."" Automation"" of electric power systems， 2021， 45（1）： 65-70.

［5］"""" 戚創(chuàng)創(chuàng)， 王向文. 考慮風(fēng)向和大氣穩(wěn)定度的海上風(fēng)電功率短期預(yù)測［J］. 電網(wǎng)技術(shù)， 2021， 45（7）： 2773-2780.

QI C C， WANG X W. Short-term prediction of offshore wind power considering wind direction and atmospheric stability［J］. Power system technology， 2021， 45（7）： 2773-2780.

［6］"""" 王福忠， 王帥峰， 張麗. 基于VMD-LSTM與誤差補(bǔ)償?shù)墓夥l(fā)電超短期功率預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（8）： 96-103.

WANG F Z， WANG S F， ZHANG L. Ultra short term power prediction of photovoltaic power generation based on VMD-LSTM and error compensation［J］. Acta energiae solaris sinica， 2022， 43（8）： 96-103.

［7］"""" 田翠霞， 黃敏， 朱啟兵. 基于EMD-LMD-LSSVM聯(lián)合模型的逐時(shí)太陽輻照度預(yù)測［J］. 太陽能學(xué)報(bào)， 2018， 39（2）： 504-512.

TIAN C X， HUANG M， ZHU Q B. Hourly solar irradiance forecast based on EMD-LMD-LSSVM joint model［J］. Acta energiae solaris sinica， 2018， 39（2）： 504-512.

［8］"""" QIU X H， REN Y， SUGANTHAN P N， et al. Empirical mode decomposition based ensemble deep learning for load demand""" time""" series""" forecasting［J］."" Applied""" soft computing， 2017， 54： 246-255.

［9］"""" 王煜塵， 竇銀科， 孟潤泉. 基于模糊C均值聚類-變分模態(tài)分解和群智能優(yōu)化的多核神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測模型［J］. 高電壓技術(shù)， 2022， 48（4）： 1308-1319.

WANG Y C， DOU Y K， MENG R Q. Forecasting model for multicore neural network short-term load based on fuzzy C-mean" clustering-variational" modal" decomposition" and chaotic swarm intelligence optimization［J］. High voltage engineering， 2022， 48（4）： 1308-1319.

［10］""" 張振中， 郭傅傲， 劉大明， 等. 基于最大互信息系數(shù)和小波分解的多模型集成短期負(fù)荷預(yù)測［J］. 計(jì)算機(jī)應(yīng)用與軟件， 2021， 38（5）： 82-87.

ZHANG Z Z， GUO F A， LIU D M， et al. Multi-model integrated short-term load prediction based on maximum mutual information coefficient and wavelet decomposition［J］. Computer applications and software， 2021， 38（5）： 82-87.

［11］""" 張飛， 張志偉， 萬樂斐， 等. 基于EEMD-GRNN方法的光伏電站短期出力預(yù)測［J］. 太陽能學(xué)報(bào)， 2020， 41（12）： 103-109.

ZHANG F， ZHANG Z W， WAN L F， et al. Short-term output prediction of photovoltaic power station based on EEMD-GRNN method［J］. Acta energiae solaris sinica， 2020， 41（12）： 103-109.

［12］""" 李玉志， 劉曉亮， 邢方方， 等. 基于Bi-LSTM和特征關(guān)聯(lián)性分析的日尖峰負(fù)荷預(yù)測［J］. 電網(wǎng)技術(shù)， 2021， 45（7）： 2719-2730.

LI Y Z， LIU X L， XING F F， et al. Daily peak load prediction based on correlation analysis and Bi-directional long"" short-term""" memory""" network［J］."" Power""" system technology， 2021， 45（7）： 2719-2730.

［13］""" JIAO P H， CHEN J J， QI B X， et al. Electricity price driven active distribution network planning considering uncertain wind power and electricity price［J］. International journal of electrical power amp; energy systems， 2019， 107： 422-437.

［14］""" JIAO P H， CHEN J J， CAI X， et al. Joint active and reactive for allocation of renewable energy and energy storage under uncertain coupling［J］. Applied energy， 2021， 302： 117582.

［15］""" CHEN J J， ZHUANG Y B， LI Y Z， et al. Risk-aware short term hydro-wind-thermal scheduling using a probability interval optimization model［J］. Applied energy， 2017， 189： 534-554.

BiLSTM SHORT-TERM PHOTOVOLTAIC POWER PREDICTION CONSIDERING DATA DECOMPOSITION AND

EVOLUTIONARY PREDATION STRATEGIES

Jiao Pihua1，Cai Xu2，Wang Lele1，Chen Jiajia1，Cao Yunfeng2

（1. School of Electrical and Electronic Engineering， Shandong University of Technology， Zibo 255000， China；

2. School of Electronic Information and Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China）

Abstract：A short-term photovoltaic power prediction model based on bi-directional long short-term memory（BiLSTM） considering data decomposition and evolutionary predation strategy is proposed. Firstly， for a large number of high-frequency components and complex frequency components of the original PV power， the SCS method（SVD-CEEMD-SVD， SCS）is developed to fuse the complementary ensemble empirical modal decomposition（CEEMD）with the singular value decomposition（SVD）of matrix operations through the data decomposition theory， which can realize the secondary noise reduction of PV power data. In addition， a combined prediction model with evolutionary predation strategy（EPPS）and BiLSTM is established to better exploit the intrinsic features of the proposed model for improving the prediction accuracy. Finally， the effectiveness of the model in filtering out the PV power noise and improving the prediction accuracy is verified by taking an actual PV power plant in a region of Shandong as an example.

Keywords：photovoltaic power； forecasting； singular value decomposition； evolutionary predation strategy； bidirectional long short-term memory network