基于VMD?IDBO?LSTM的光伏功率預測模型

摘" 要： 針對光伏發電功率波動性強和預測準確度低的問題，提出一種基于變分模態分解（VMD）、改進蜣螂算法（IDBO）優化長短期記憶（LSTM）網絡的光伏功率預測模型。利用VMD對光伏功率時序數據進行分解，得到不同頻率但具有一定規律的子序列，從而達到減少光伏功率波動性的目的。利用可變螺旋搜索策略、Lévy飛行策略和自適應t分布變異策略來改進蜣螂算法，對改進后的蜣螂算法與其他優化算法進行性能測試對比，經過改進的蜣螂算法來優化LSTM中的網絡隱含層個數和初始學習速率并建立預測模型，將各個子序列的預測值相加，從而得出最后的預測功率結果。通過實際算例表明，與LSTM預測模型、DBO?LSTM預測模型、VMD?DBO?LSTM預測模型相比，VMD?IDBO?LSTM模型預測精度較高，更具有準確性。

關鍵詞： 光伏發電； 功率預測； 變分模態分解； 改進蜣螂算法； 長短期記憶網絡； 優化算法

中圖分類號： TN245?34； TM615" " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 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度使用會導致能量消耗和溫室效應等問題。光伏發電具有可持續發展、分布式發電、零污染排放等優點[1]，同時具有間歇性和波動性較強的特點?？煽俊蚀_的光伏輸出功率預測對于電力系統的安全性、穩定性和經濟運行至關重要。目前，針對光伏發電預測的相關研究，主要歸納為物理方法、統計方法和人工智能方法等[2?3]。其中：物理方法對輸入數據的準確性要求較高；統計方法需要數據量較大；而人工智能方法是將光伏數據與外部影響因素之間建立非線性關系，能夠很好地擬合數據，方便構建模型輸入特征，并且結合智能優化算法進行參數優化，應用這些模型來預測光伏功率[4]。人工智能方法主要有BP神經網絡[5]、支持向量機（SVM）[6]、長短期記憶（LSTM）神經網絡[7]等。

目前，專注于人工智能算法來實現預測精度的提高。文獻[8]提出了結合支持向量回歸和卡爾曼濾波的光伏功率預測方法，但SVR參數選擇不準確導致預測精度降低。文獻[9]建立了SSA?BP光伏功率預測模型，但未對光伏功率數據進行預處理。

上述文獻中使用的神經網絡算法，泛化能力弱，易受局部最優的影響[10]。因此，在光伏功率預測中使用長短期記憶神經網絡以提高預測性能。文獻[11]提出了經驗模態分解（EMD）、主成分分析（PCA）和LSTM相結合的預測模型，但EMD分解存在模態混疊問題。文獻[12]采用CEEMEDAN將光伏功率進行分解，容易出現對噪聲敏感和模態混疊問題，而變分模態分解（VMD）克服了EMD信號處理中的端點效應和模態分量混疊問題，能夠更好地處理波動性強的序列信號。因此，擬采用VMD對光伏發電功率進行分解。

蜣螂優化（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，提出的新型智能優化算法[13]。該算法的收斂速度快，兼顧全局搜索與局部挖掘，穩定性高，但也面臨容易陷入局部極值等問題，因此對蜣螂算法進行改進來提高算法性能。

綜上所述，本文提出一種基于VMD?IDBO?LSTM光伏出力預測模型。

1" 理論基礎

1.1" 變分模態分解

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

2.3" 改進蜣螂算法性能測試

為驗證改進蜣螂算法（IDBO）的性能，選擇函數F2，將IDBO與DBO、GWO、WOA進行對比測試。種群數量為30，最大迭代次數為1 000，測試圖如圖2所示。由圖2可知，IDBO比其他算法收斂速度更快、準確性更高。結果表明經過改進后的蜣螂算法性能更優越。

2.4" 改進蜣螂算法優化長短期記憶網絡

采用IDBO搜索LSTM中參數的最優解，以提高預測精度，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。

2） 計算個體在目標函數下的適應度值。

3） 根據不同更新規則更新蜣螂位置，選擇式（10）或式（11），按滾球行為來更新個體位置并進行邊界處理，計算更新后的個體適應度值。

4） 可變螺旋搜索的繁殖行為根據式（18）更新位置進行邊界處理，計算更新后的個體適應度值。

5） 覓食行為根據式（15）更新位置，進行邊界處理，計算更新后的個體適應度值。

6） Lévy飛行的偷竊行為根據式（20）更新位置進行邊界處理，計算更新后的個體適應度值。

7） 基于迭代次數的t分布變異算子對蜣螂位置進行擾動，若新個體適應度值優于原始個體，則替換原始個體，同時更新適應度值，否則保持個體位置不變。

8） 判斷是否滿足終止條件，若滿足則得到最優解；若不滿足則返回步驟2），將所得最優參數輸入LSTM中。

3" 基于VMD?IDBO?LSTM的短期光伏發電功率預測模型

采用VMD來分解光伏時序功率，接下來使用IDBO算法尋優LSTM網絡隱含層個數和初始學習速率并進行預測，建立的VMD?IDBO?LSTM光伏功率預測模型流程如圖4所示，具體步驟如下：

1） 修正光伏功率數據異常值和填補缺失值；

2） 劃分數據訓練集和測試集，數據歸一化；

3） 采用VMD來分解光伏數據序列，得到不同特征規律的子序列；

4） 采用IDBO算法對LSTM的參數進行尋優，建立IDBO?LSTM預測模型；

5） 各分量預測結果疊加并反歸一化；

6） 對預測結果進行誤差分析。

4" 實例分析

采用某光伏電站2020年9月1日—11月30日的光伏功率數據、總輻射、組件溫度、相對濕度、環境溫度和大氣壓強進行分析。光伏在晚間不發電，所以選取每天6：00—18：00之間的數據，采樣間隔為15 min，每天有49個采樣數據，共4 459個采樣點。選擇2020年9月和10月的數據作為訓練集，11月的數據作為測試集，從測試集中選取3天不同天氣類型的預測值與實際值進行對比分析。

4.1" 影響因素和評價指標選擇

采用皮爾遜相關系數進行計算，選取輻射度、光伏組件溫度、相對濕度、環境溫度和大氣壓強作為與光伏功率相關的影響因素。

光伏發電功率預測流程

選擇均方根誤差（RMSE）和平均絕對誤差（MAE）作為評價預測模型性能的指標。上述指標數值越小，則模型預測精度越高。RMSE和MAE的表達式如下：

式中：[n]為數據總數；[xi]為光伏實際功率值；[yi]為光伏預測功率值。

4.2" 預測結果分析

采用VMD對光伏功率數據進行分解。通過對不同模態下的中心頻率進行分析，得出當K=6時，VMD的分解效果最好。VMD初始中心頻率為1 Hz，懲罰參數為2 500，收斂準則為1×10-7。VMD分解結果如圖5所示。

由圖5看出，經過VMD分解后的光伏功率子序列盡管頻率不一致，但呈現出一定的規律性和周期性，反映了光伏功率數據的變化趨勢，每個子序列可以更清晰地展現光伏功率數據的局部特征。為驗證本文所提VMD?IDBO?LSTM預測模型的性能，構建LSTM模型、DBO?LSTM模型和VMD?DBO?LSTM模型進行對比分析。

在三種天氣類型下各模型對比圖如圖6～圖8所示，評價指標如表1～表3所示。

分析圖6～圖8可知，在不同天氣情況下，LSTM模型能預測出光伏功率的趨勢，但數值和實際相差較大。DBO?LSTM模型比LSTM模型預測效果較好一些，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測精度。其中，VMD?IDBO?LSTM模型預測效果最好，預測值與實際值最接近，說明經改進的DBO算法模型具有更好的預測精度。同時，從曲線上可以看出，晴天光伏功率更平穩，在突變天氣和陰天天氣下光伏功率波動較大，數值減小。

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預測模型與其他模型相比，RMSE和MAE最小。晴天天氣下光伏發電趨勢明顯，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預測模型相較于其他模型精度較高，說明所提模型可以更精準地預測光伏發電功率。

5" 結" 論

本文提出一種基于VMD?IDBO?LSTM的短期光伏功率預測模型，并對其預測結果進行了比較，主要結論如下。

1） 選擇VMD來分解原始光伏功率序列，從而獲得不同頻率但具有一定規律性和周期性的子序列。采用LSTM網絡能有效處理光伏功率這樣具有時間相關性和波動性的數據。

2） 蜣螂算法經過改進后，具有收斂速度更快、穩定性更強、全局搜索和局部尋優能力更強的優點，有助于提高模型預測精度。

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測結果擬合度較高。

注：本文通訊作者為賈宇琛。

參考文獻

[1] 袁森.太陽能光伏技術的發展和應用前景[J].現代工業經濟和信息化，2023，13（9）：278?281.

[2] 汪鴻，朱正甲，陳建華，等.基于人工智能技術與物理方法結合的新能源功率預測研究[J].高電壓技術，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.人工智能技術在新能源功率預測的應用及展望[J].中國電機工程學報，2023，43（8）：3027?3047.

[5] 王云艷，羅帥，王子健.基于改進型BP神經網絡的光伏功率預測[J].計算機仿真，2022，39（11）：153?157.

[6] 卿會，李薇，劉文嬌，等.基于極點對稱模態分解?支持向量機的短期光伏發電預測方法[J].熱能動力工程，2022，37（10）：189?197.

[7] 王濤，王旭，許野，等.計及相似日的LSTM光伏出力預測模型研究[J].太陽能學報，2023，44（8）：316?323.

[8] 俞娜燕，李向超，費科，等.基于SVR?UKF的光伏電站功率預測[J].自動化與儀器儀表，2020（4）：73?77.

[9] 謝少華，何山，閆學勤，等.基于SSA?BP神經網絡的光伏短期功率預測[J].浙江工業大學學報，2022，50（6）：628?633.

[10] 劉威，郭直清，王東，等.改進鯨魚算法及其在淺層神經網絡搜索中的權值閾值優化[J].控制與決策，2023，38（4）：1144?1152.

[11] 張雲欽，程起澤，蔣文杰，等.基于EMD?PCA?LSTM的光伏功率預測模型[J].太陽能學報，2021，42（9）：62?69.

[12] 王瑞，高強，逯靜，等.基于CEEMDAN?LSSVM?ARIMA模型的短期光伏功率預測[J].傳感器與微系統，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，劉廣忱，等.基于VMD?GWO?ELMAN的光伏功率短期預測方法[J].中國電力，2022，55（5）：57?65.

作者簡介：喬雅寧（1999—），女，河北邯鄲人，碩士研究生，研究方向為電力能源物聯網和信息處理。

賈宇?。?979—），女，河北保定人，博士研究生，副教授，研究方向為電力物聯網。

高立艾（1980—），女，河北保定人，博士研究生，副教授，研究方向為綜合能源系統運行優化。

溫" 鵬（1982—），男，河北保定人，博士研究生，副教授，研究方向為農業電氣化與自動化。

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

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