摘" 要： 針對(duì)光伏發(fā)電功率波動(dòng)性強(qiáng)和預(yù)測(cè)準(zhǔn)確度低的問(wèn)題，提出一種基于變分模態(tài)分解（VMD）、改進(jìn)蜣螂算法（IDBO）優(yōu)化長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的光伏功率預(yù)測(cè)模型。利用VMD對(duì)光伏功率時(shí)序數(shù)據(jù)進(jìn)行分解，得到不同頻率但具有一定規(guī)律的子序列，從而達(dá)到減少光伏功率波動(dòng)性的目的。利用可變螺旋搜索策略、Lévy飛行策略和自適應(yīng)t分布變異策略來(lái)改進(jìn)蜣螂算法，對(duì)改進(jìn)后的蜣螂算法與其他優(yōu)化算法進(jìn)行性能測(cè)試對(duì)比，經(jīng)過(guò)改進(jìn)的蜣螂算法來(lái)優(yōu)化LSTM中的網(wǎng)絡(luò)隱含層個(gè)數(shù)和初始學(xué)習(xí)速率并建立預(yù)測(cè)模型，將各個(gè)子序列的預(yù)測(cè)值相加，從而得出最后的預(yù)測(cè)功率結(jié)果。通過(guò)實(shí)際算例表明，與LSTM預(yù)測(cè)模型、DBO?LSTM預(yù)測(cè)模型、VMD?DBO?LSTM預(yù)測(cè)模型相比，VMD?IDBO?LSTM模型預(yù)測(cè)精度較高，更具有準(zhǔn)確性。

關(guān)鍵詞： 光伏發(fā)電； 功率預(yù)測(cè)； 變分模態(tài)分解； 改進(jìn)蜣螂算法； 長(zhǎng)短期記憶網(wǎng)絡(luò)； 優(yōu)化算法

中圖分類(lèi)號(hào)： TN245?34； TM615" " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）06?0168?07

Photovoltaic power prediction model based on VMD?IDBO?LSTM

QIAO Yaning1， JIA Yuchen1， GAO Liai2， WEN Peng2

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding 071001， China;

2. College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding 071001， China）

Abstract： In allusion to the problem of strong fluctuation and low prediction accuracy of photovoltaic power generation， a photovoltaic power prediction model based on variational mode decomposition （VMD） and improved dung beetle optimizer （IDBO） to optimize long short?term memory network （LSTM） is proposed. VMD is used to decompose the photovoltaic power time series data to obtain sub?sequences with different frequencies but certain rules， so as to reduce the fluctuation of photovoltaic power. The variable spiral search strategy， Levy flight strategy and adaptive t?distribution mutation strategy are used to improve the dung beetle optimizer. The IDBO is compared with other optimization algorithms for the performance testing. The IDBO is used to optimize the number of hidden layers in the network and the initial learning rate in LSTM to build a prediction model. The predicted values of each subsequence are added to obtain the final predicted power results. The actual examples show that in amparison with the LSTM prediction model， the DBO?LSTM prediction model， and the VMD?DBO?LSTM prediction model， VMD?IDBO?LSTM model has higher prediction accuracy and greater precision.

Keywords： photovoltaic power generation; power prediction; variational mode decomposition; improved dung beetle optimizer; long short?term memory network; optimization algorithm

0" 引" 言

煤炭和石油等化石能源的過(guò)度使用會(huì)導(dǎo)致能量消耗和溫室效應(yīng)等問(wèn)題。光伏發(fā)電具有可持續(xù)發(fā)展、分布式發(fā)電、零污染排放等優(yōu)點(diǎn)[1]，同時(shí)具有間歇性和波動(dòng)性較強(qiáng)的特點(diǎn)?？煽?、準(zhǔn)確的光伏輸出功率預(yù)測(cè)對(duì)于電力系統(tǒng)的安全性、穩(wěn)定性和經(jīng)濟(jì)運(yùn)行至關(guān)重要。目前，針對(duì)光伏發(fā)電預(yù)測(cè)的相關(guān)研究，主要?dú)w納為物理方法、統(tǒng)計(jì)方法和人工智能方法等[2?3]。其中：物理方法對(duì)輸入數(shù)據(jù)的準(zhǔn)確性要求較高；統(tǒng)計(jì)方法需要數(shù)據(jù)量較大；而人工智能方法是將光伏數(shù)據(jù)與外部影響因素之間建立非線性關(guān)系，能夠很好地?cái)M合數(shù)據(jù)，方便構(gòu)建模型輸入特征，并且結(jié)合智能優(yōu)化算法進(jìn)行參數(shù)優(yōu)化，應(yīng)用這些模型來(lái)預(yù)測(cè)光伏功率[4]。人工智能方法主要有BP神經(jīng)網(wǎng)絡(luò)[5]、支持向量機(jī)（SVM）[6]、長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)[7]等。

目前，專(zhuān)注于人工智能算法來(lái)實(shí)現(xiàn)預(yù)測(cè)精度的提高。文獻(xiàn)[8]提出了結(jié)合支持向量回歸和卡爾曼濾波的光伏功率預(yù)測(cè)方法，但SVR參數(shù)選擇不準(zhǔn)確導(dǎo)致預(yù)測(cè)精度降低。文獻(xiàn)[9]建立了SSA?BP光伏功率預(yù)測(cè)模型，但未對(duì)光伏功率數(shù)據(jù)進(jìn)行預(yù)處理。

上述文獻(xiàn)中使用的神經(jīng)網(wǎng)絡(luò)算法，泛化能力弱，易受局部最優(yōu)的影響[10]。因此，在光伏功率預(yù)測(cè)中使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)以提高預(yù)測(cè)性能。文獻(xiàn)[11]提出了經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）、主成分分析（PCA）和LSTM相結(jié)合的預(yù)測(cè)模型，但EMD分解存在模態(tài)混疊問(wèn)題。文獻(xiàn)[12]采用CEEMEDAN將光伏功率進(jìn)行分解，容易出現(xiàn)對(duì)噪聲敏感和模態(tài)混疊問(wèn)題，而變分模態(tài)分解（VMD）克服了EMD信號(hào)處理中的端點(diǎn)效應(yīng)和模態(tài)分量混疊問(wèn)題，能夠更好地處理波動(dòng)性強(qiáng)的序列信號(hào)。因此，擬采用VMD對(duì)光伏發(fā)電功率進(jìn)行分解。

蜣螂優(yōu)化（Dung Beetle Optimizer，DBO）算法是受到蜣螂滾球、繁殖、覓食、偷盜等行為的啟發(fā)，提出的新型智能優(yōu)化算法[13]。該算法的收斂速度快，兼顧全局搜索與局部挖掘，穩(wěn)定性高，但也面臨容易陷入局部極值等問(wèn)題，因此對(duì)蜣螂算法進(jìn)行改進(jìn)來(lái)提高算法性能。

綜上所述，本文提出一種基于VMD?IDBO?LSTM光伏出力預(yù)測(cè)模型。

1" 理論基礎(chǔ)

1.1" 變分模態(tài)分解

變分模態(tài)分解（VMD）是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)處理的方法[14]。在分解非平穩(wěn)性信號(hào)方面具有較好的應(yīng)用，因此采用VMD將光伏功率分解為不同頻率但具有一定規(guī)律的子序列。其主要思想是構(gòu)造和求解變分問(wèn)題，約束變分模型如下：

2.3" 改進(jìn)蜣螂算法性能測(cè)試

為驗(yàn)證改進(jìn)蜣螂算法（IDBO）的性能，選擇函數(shù)F2，將IDBO與DBO、GWO、WOA進(jìn)行對(duì)比測(cè)試。種群數(shù)量為30，最大迭代次數(shù)為1 000，測(cè)試圖如圖2所示。由圖2可知，IDBO比其他算法收斂速度更快、準(zhǔn)確性更高。結(jié)果表明經(jīng)過(guò)改進(jìn)后的蜣螂算法性能更優(yōu)越。

2.4" 改進(jìn)蜣螂算法優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)

采用IDBO搜索LSTM中參數(shù)的最優(yōu)解，以提高預(yù)測(cè)精度，模型算法流程如圖3所示。

IDBO?LSTM的具體步驟如下。

1） 初始化參數(shù)。

2） 計(jì)算個(gè)體在目標(biāo)函數(shù)下的適應(yīng)度值。

3） 根據(jù)不同更新規(guī)則更新蜣螂位置，選擇式（10）或式（11），按滾球行為來(lái)更新個(gè)體位置并進(jìn)行邊界處理，計(jì)算更新后的個(gè)體適應(yīng)度值。

4） 可變螺旋搜索的繁殖行為根據(jù)式（18）更新位置進(jìn)行邊界處理，計(jì)算更新后的個(gè)體適應(yīng)度值。

5） 覓食行為根據(jù)式（15）更新位置，進(jìn)行邊界處理，計(jì)算更新后的個(gè)體適應(yīng)度值。

6） Lévy飛行的偷竊行為根據(jù)式（20）更新位置進(jìn)行邊界處理，計(jì)算更新后的個(gè)體適應(yīng)度值。

7） 基于迭代次數(shù)的t分布變異算子對(duì)蜣螂位置進(jìn)行擾動(dòng)，若新個(gè)體適應(yīng)度值優(yōu)于原始個(gè)體，則替換原始個(gè)體，同時(shí)更新適應(yīng)度值，否則保持個(gè)體位置不變。

8） 判斷是否滿(mǎn)足終止條件，若滿(mǎn)足則得到最優(yōu)解；若不滿(mǎn)足則返回步驟2），將所得最優(yōu)參數(shù)輸入LSTM中。

3" 基于VMD?IDBO?LSTM的短期光伏發(fā)電功率預(yù)測(cè)模型

采用VMD來(lái)分解光伏時(shí)序功率，接下來(lái)使用IDBO算法尋優(yōu)LSTM網(wǎng)絡(luò)隱含層個(gè)數(shù)和初始學(xué)習(xí)速率并進(jìn)行預(yù)測(cè)，建立的VMD?IDBO?LSTM光伏功率預(yù)測(cè)模型流程如圖4所示，具體步驟如下：

1） 修正光伏功率數(shù)據(jù)異常值和填補(bǔ)缺失值；

2） 劃分?jǐn)?shù)據(jù)訓(xùn)練集和測(cè)試集，數(shù)據(jù)歸一化；

3） 采用VMD來(lái)分解光伏數(shù)據(jù)序列，得到不同特征規(guī)律的子序列；

4） 采用IDBO算法對(duì)LSTM的參數(shù)進(jìn)行尋優(yōu)，建立IDBO?LSTM預(yù)測(cè)模型；

5） 各分量預(yù)測(cè)結(jié)果疊加并反歸一化；

6） 對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差分析。

4" 實(shí)例分析

采用某光伏電站2020年9月1日—11月30日的光伏功率數(shù)據(jù)、總輻射、組件溫度、相對(duì)濕度、環(huán)境溫度和大氣壓強(qiáng)進(jìn)行分析。光伏在晚間不發(fā)電，所以選取每天6：00—18：00之間的數(shù)據(jù)，采樣間隔為15 min，每天有49個(gè)采樣數(shù)據(jù)，共4 459個(gè)采樣點(diǎn)。選擇2020年9月和10月的數(shù)據(jù)作為訓(xùn)練集，11月的數(shù)據(jù)作為測(cè)試集，從測(cè)試集中選取3天不同天氣類(lèi)型的預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比分析。

4.1" 影響因素和評(píng)價(jià)指標(biāo)選擇

采用皮爾遜相關(guān)系數(shù)進(jìn)行計(jì)算，選取輻射度、光伏組件溫度、相對(duì)濕度、環(huán)境溫度和大氣壓強(qiáng)作為與光伏功率相關(guān)的影響因素。

光伏發(fā)電功率預(yù)測(cè)流程

選擇均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）作為評(píng)價(jià)預(yù)測(cè)模型性能的指標(biāo)。上述指標(biāo)數(shù)值越小，則模型預(yù)測(cè)精度越高。RMSE和MAE的表達(dá)式如下：

式中：[n]為數(shù)據(jù)總數(shù)；[xi]為光伏實(shí)際功率值；[yi]為光伏預(yù)測(cè)功率值。

4.2" 預(yù)測(cè)結(jié)果分析

采用VMD對(duì)光伏功率數(shù)據(jù)進(jìn)行分解。通過(guò)對(duì)不同模態(tài)下的中心頻率進(jìn)行分析，得出當(dāng)K=6時(shí)，VMD的分解效果最好。VMD初始中心頻率為1 Hz，懲罰參數(shù)為2 500，收斂準(zhǔn)則為1×10-7。VMD分解結(jié)果如圖5所示。

由圖5看出，經(jīng)過(guò)VMD分解后的光伏功率子序列盡管頻率不一致，但呈現(xiàn)出一定的規(guī)律性和周期性，反映了光伏功率數(shù)據(jù)的變化趨勢(shì)，每個(gè)子序列可以更清晰地展現(xiàn)光伏功率數(shù)據(jù)的局部特征。為驗(yàn)證本文所提VMD?IDBO?LSTM預(yù)測(cè)模型的性能，構(gòu)建LSTM模型、DBO?LSTM模型和VMD?DBO?LSTM模型進(jìn)行對(duì)比分析。

在三種天氣類(lèi)型下各模型對(duì)比圖如圖6～圖8所示，評(píng)價(jià)指標(biāo)如表1～表3所示。

分析圖6～圖8可知，在不同天氣情況下，LSTM模型能預(yù)測(cè)出光伏功率的趨勢(shì)，但數(shù)值和實(shí)際相差較大。DBO?LSTM模型比LSTM模型預(yù)測(cè)效果較好一些，但仍存在一定程度的誤差。VMD?DBO?LSTM模型和VMD?IDBO?LSTM模型比前兩種模型效果更好，證明VMD有利于提高光伏功率預(yù)測(cè)精度。其中，VMD?IDBO?LSTM模型預(yù)測(cè)效果最好，預(yù)測(cè)值與實(shí)際值最接近，說(shuō)明經(jīng)改進(jìn)的DBO算法模型具有更好的預(yù)測(cè)精度。同時(shí)，從曲線上可以看出，晴天光伏功率更平穩(wěn)，在突變天氣和陰天天氣下光伏功率波動(dòng)較大，數(shù)值減小。

分析表1～表3可知，在晴天、突變和陰天天氣不同的條件下，所提VMD?IDBO?LSTM預(yù)測(cè)模型與其他模型相比，RMSE和MAE最小。晴天天氣下光伏發(fā)電趨勢(shì)明顯，RMSE和MAE相比于其他天氣誤差最??；在陰天和突變天氣下，VMD?IDBO?LSTM預(yù)測(cè)模型相較于其他模型精度較高，說(shuō)明所提模型可以更精準(zhǔn)地預(yù)測(cè)光伏發(fā)電功率。

5" 結(jié)" 論

本文提出一種基于VMD?IDBO?LSTM的短期光伏功率預(yù)測(cè)模型，并對(duì)其預(yù)測(cè)結(jié)果進(jìn)行了比較，主要結(jié)論如下。

1） 選擇VMD來(lái)分解原始光伏功率序列，從而獲得不同頻率但具有一定規(guī)律性和周期性的子序列。采用LSTM網(wǎng)絡(luò)能有效處理光伏功率這樣具有時(shí)間相關(guān)性和波動(dòng)性的數(shù)據(jù)。

2） 蜣螂算法經(jīng)過(guò)改進(jìn)后，具有收斂速度更快、穩(wěn)定性更強(qiáng)、全局搜索和局部尋優(yōu)能力更強(qiáng)的優(yōu)點(diǎn)，有助于提高模型預(yù)測(cè)精度。

3） 與LSTM、DBO?LSTM和VMD?DBO?LSTM三種模型相比，VMD?IDBO?LSTM模型在不同天氣下預(yù)測(cè)結(jié)果擬合度較高。

注：本文通訊作者為賈宇琛。

參考文獻(xiàn)

[1] 袁森.太陽(yáng)能光伏技術(shù)的發(fā)展和應(yīng)用前景[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2023，13（9）：278?281.

[2] 汪鴻，朱正甲，陳建華，等.基于人工智能技術(shù)與物理方法結(jié)合的新能源功率預(yù)測(cè)研究[J].高電壓技術(shù)，2023，49（z1）：111?117.

[3] WANG H， LIU Y， ZHOU B， et al.Taxonomy research of artificial intelligence for deterministic solar power forecasting [J]. Energy conversion and management， 2020， 214： 112909.

[4] 朱瓊鋒，李家騰，喬驥，等.人工智能技術(shù)在新能源功率預(yù)測(cè)的應(yīng)用及展望[J].中國(guó)電機(jī)工程學(xué)報(bào)，2023，43（8）：3027?3047.

[5] 王云艷，羅帥，王子健.基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測(cè)[J].計(jì)算機(jī)仿真，2022，39（11）：153?157.

[6] 卿會(huì)，李薇，劉文嬌，等.基于極點(diǎn)對(duì)稱(chēng)模態(tài)分解?支持向量機(jī)的短期光伏發(fā)電預(yù)測(cè)方法[J].熱能動(dòng)力工程，2022，37（10）：189?197.

[7] 王濤，王旭，許野，等.計(jì)及相似日的LSTM光伏出力預(yù)測(cè)模型研究[J].太陽(yáng)能學(xué)報(bào)，2023，44（8）：316?323.

[8] 俞娜燕，李向超，費(fèi)科，等.基于SVR?UKF的光伏電站功率預(yù)測(cè)[J].自動(dòng)化與儀器儀表，2020（4）：73?77.

[9] 謝少華，何山，閆學(xué)勤，等.基于SSA?BP神經(jīng)網(wǎng)絡(luò)的光伏短期功率預(yù)測(cè)[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2022，50（6）：628?633.

[10] 劉威，郭直清，王東，等.改進(jìn)鯨魚(yú)算法及其在淺層神經(jīng)網(wǎng)絡(luò)搜索中的權(quán)值閾值優(yōu)化[J].控制與決策，2023，38（4）：1144?1152.

[11] 張雲(yún)欽，程起澤，蔣文杰，等.基于EMD?PCA?LSTM的光伏功率預(yù)測(cè)模型[J].太陽(yáng)能學(xué)報(bào)，2021，42（9）：62?69.

[12] 王瑞，高強(qiáng)，逯靜，等.基于CEEMDAN?LSSVM?ARIMA模型的短期光伏功率預(yù)測(cè)[J].傳感器與微系統(tǒng)，2022，41（5）：118?122.

[13] XUE J， SHEN B. Dung beetle optimizer： a new meta?heuristic algorithm for global optimization [J]. The journal of supercomputing， 2022， 79： 7305?7336.

[14] 張娜，任強(qiáng)，劉廣忱，等.基于VMD?GWO?ELMAN的光伏功率短期預(yù)測(cè)方法[J].中國(guó)電力，2022，55（5）：57?65.

作者簡(jiǎn)介：?jiǎn)萄艑帲?999—），女，河北邯鄲人，碩士研究生，研究方向?yàn)殡娏δ茉次锫?lián)網(wǎng)和信息處理。

賈宇琛（1979—），女，河北保定人，博士研究生，副教授，研究方向?yàn)殡娏ξ锫?lián)網(wǎng)。

高立艾（1980—），女，河北保定人，博士研究生，副教授，研究方向?yàn)榫C合能源系統(tǒng)運(yùn)行優(yōu)化。

溫" 鵬（1982—），男，河北保定人，博士研究生，副教授，研究方向?yàn)檗r(nóng)業(yè)電氣化與自動(dòng)化。

收稿日期：2024?05?22" " " " " "修回日期：2024?06?28

基金項(xiàng)目：河北省社科基金項(xiàng)目（HB22GL026）；保定市科技計(jì)劃項(xiàng)目（2372P001，2372P002）