一种基于季节性特征匹配的光伏发电预测新型混合集成预测方法

《Expert Systems with Applications》:A novel hybrid ensemble forecasting method based on seasonal feature matching for photovoltaic power generation forecasting

【字体: 大 中 小 】 时间:2025年12月15日 来源:Expert Systems with Applications 9.4

编辑推荐:

  李烨|李莉烨|王俊杰|党耀国|张旭 中国湖北省武汉市武汉科技大学管理学院,邮编430081 摘要 准确预测光伏发电量对于保障电网稳定和优化可再生能源调度至关重要。然而,受气象条件影响,光伏输出具有固有的间歇性和复杂的季节性特征,给精准预测带来了巨大挑战。本研究提出一

  李烨|李莉烨|王俊杰|党耀国|张旭
中国湖北省武汉市武汉科技大学管理学院,邮编430081

摘要
准确预测光伏发电量对于保障电网稳定和优化可再生能源调度至关重要。然而,受气象条件影响,光伏输出具有固有的间歇性和复杂的季节性特征,给精准预测带来了巨大挑战。本研究提出一种新型的混合分解-重构框架,该框架能够将原始功率序列系统地分解为三个可解释的组成部分:不规则成分、季节性成分和趋势成分。针对每个成分,研究采用了匹配特征的预测方法:不规则波动通过反向传播神经网络进行预测,季节性模式则利用季节性ARIMA模型处理,而非线性趋势则通过二次时变非线性离散灰色模型进行预测。最后将各部分预测结果整合,得到最终预测值。在欧洲光伏数据集上的全面实验表明,与传统灰色模型、统计模型以及机器学习模型相比,所提出的框架在预测精度、稳健性和泛化能力方面均表现更优。研究结果证实,该方法能有效处理复杂的季节性和非线性模式,为光伏发电预测及其他混合模式时间序列分析提供了实用且易于理解的解决方案。

引言
全球对能源安全与环境保护的需求使得清洁能源成为关键的可持续解决方案。国际社会普遍认识到,过量的二氧化碳排放是气候变化的主要驱动因素,因此发展清洁能源已成为实现碳中和的战略重点(Arrieta-Prieto和Schell,2022;Ashraf等人,2024)。随着清洁能源技术的不断进步以及成本的大幅下降,其经济可行性大幅提升,进而推动了全球范围内的广泛应用。其中,光伏发电因其安全性、可扩展性、可持续性及经济潜力而备受重视。近年来,世界各国大力推动太阳能光伏产业的发展,2019年至2023年间,全球光伏装机容量的年均增长率高达28%,显示出该行业的快速扩张态势。光伏产业的发展对于应对气候变化和推动全球能源转型具有重要意义,有望成为未来的主要能源来源(Gürtler和Paulsen,2018;Kathole等人,2024;Lin等人,2023;Liu等人,2025)。

尽管光伏发电前景广阔,但其大规模应用仍面临一个根本性挑战:由于气象条件、季节性变化以及昼夜周期等因素的影响,光伏发电具有间歇性和不稳定性(Goutte等人,2024)。这种供电波动给电力系统的调度带来了极大困难,使得电力生成难以与电网的实际需求相匹配。一旦出现失衡,就可能导致局部地区甚至更广泛区域的电力短缺。因此,准确预测光伏发电量对于电力调度中心有效管理能源转型至关重要。它可以通过减轻光伏发电波动带来的影响,提升电网的稳定性和可靠性(Ferkous等人,2024)。为此,亟需开发出可靠的光伏发电预测模型,以维持电力系统的稳定运行。

为满足这一需求,预测方法经历了显著发展,主要可分为两类:单一模型和混合模型。单一预测模型包括物理模型、统计方法、机器学习模型以及灰色预测模型。物理模型通过引入太阳辐射、气象条件、光伏组件特性及周围环境等变量,建立数学框架来描述光伏系统的运行规律,从而预测未来的发电量。Yang等人(2019)运用统计学习方法捕捉天气趋势,提出了基于运营的太阳能预测算法。Mayer和Yang(2023)对用于预测光伏发电的物理模型进行了全面评估,并提出了基于物理建模方法的最高效概率预测技术。不过,物理模型依赖于高质量的气象数据输入,如太阳辐射、云量、温度和湿度等,若输入数据不准确或过时,将会显著降低预测精度。

与复杂的物理模型相比,统计模型计算速度更快,所需的模型参数较少,更适合实时应用。常见的统计模型包括指数平滑法、自回归积分移动平均模型以及线性回归模型。Thaker和H?ller(2024)对用于预测光伏发电的各种技术进行了深入分析,这些技术包括时间序列统计回归、参数化物理方法、机器学习模型以及集成策略。此外,他们还提出了一种创新方法,即利用模型输出统计量来改进固定光伏系统的参数化线性模型的预测精度。Li等人(2016)提出了一种基于数据的建模技术——多元自适应回归样条模型,该模型结合了传统多元线性回归的简洁性以及处理非线性关系的能力。Fernandez-Jimenez等人(2023)则提出了一种概率预测方法,该方法整合了三种确定性半参数方法,利用天气预报数据、太阳位置信息及其他相关因素来预测光伏发电量。他们在葡萄牙的一个光伏电站进行了案例研究,以评估该方法的性能。不过,统计模型的一个显著局限性在于,其预测精度在很大程度上取决于输入数据的质量和数量。

为克服物理模型和统计模型的局限性,尤其是在处理复杂非线性模式方面,机器学习方法得到了广泛应用。反向传播神经网络、支持向量机以及循环神经网络都是处理复杂非线性数据的强大工具(Brester等人,2023;Ma等人,2025;Sabadus等人,2024)。Zhou等人(2023)利用气象数据作为训练阶段的宝贵资源,构建了光伏发电预测模型,并采用随机配置网络来预测光伏发电量。实验结果表明,该模型在光伏发电预测领域具有很强的实际应用潜力。Cao等人(2023)提出了一种名为ISt-LSTM-Informer的模型,该模型基于增强型堆叠积分算法,利用LSTM-Informer框架为短期和中期光伏发电量提供精确预测。Tahir等人(2024)则采用双向长短期记忆网络来预测光伏发电量,并在五个不同的案例研究中对多种模型进行了比较。Huang等人(2024)提出了一种基于神经常微分方程的多级注意力神经网络,该方法有效解决了深度学习方法在光伏发电预测中的诸多局限。然而,机器学习模型也存在一些问题,如对参数选择的敏感性较高、易出现过拟合现象,且依赖高质量且充足的历史数据。

在数据匮乏的复杂场景下,灰色预测方法作为一种稳健的解决方案应运而生。这类方法在这种条件下具备较高的灵活性和有效性(Dang等人,2023;Deng,1982;He等人,2022;Ren等人,2023;Wu和Xie,2025;Yan等人,2025;Ye等人,2024;Zhou等人,2021)。Ding等人(2021)在建模框架中加入了时间-功率成分和周期性成分,从而有效捕捉了各类时间序列中的非线性、周期性和波动性特征。该模型被用于预测光伏发电量。Wang等人(2024)通过数据重构方法,开发了一种创新的自适应灰色季节性模型,该模型利用分数累积发电算子来调整动态评分设置,从而应对太阳能发电数据中的季节性变化。

无论是物理模型、统计模型、机器学习模型还是灰色预测模型,它们各自都有优势,但也存在共同的局限性,比如对数据质量较为敏感,且无法完全捕捉光伏发电数据的复杂非平稳特性。为克服这些局限,人们提出了混合模型,这类模型通过协同整合各种方法的优点,从而实现更高的预测精度和稳健性(Kong等人,2020;Liang等人,2023;Schinke-Nendza等人,2021;Tang等人,2022;Zheng等人,2025)。通过整合不同模型的优势,可以提升整体性能,这类混合模型可分为四类:侧重于权重分配的模型、以数据预处理为核心的模型、旨在优化参数和结构的模型,以及专门用于误差校正的模型。

首先,侧重于权重分配的模型,其核心思路是通过特定策略整合多个基础模型的预测结果,从而形成最终输出。例如,Qu等人(2021)提出了一种创新模型,该模型利用门控回归单元来整合历史数据中的线性和非线性特征,从而预测分布式光伏发电量。在此基础上,Zhang等人(2024)构建了一个混合框架,该框架结合了多个性能优异的深度学习模型,并采用Pelican优化算法来确定各模型的最佳组合权重,进而显著提升了预测的精度和稳定性。

其次,以数据预处理为核心的模型旨在通过分解技术来降低原始序列的非平稳性和复杂性。Cui和Niu(2024)构建了一个IVMD-SGMD双层分解模型,用于处理碳价序列,随后再结合Attention-TCN-BiGRU和Encoder-Decoder LSTM模型进行预测,并通过熵加权来实现模型融合。类似地,He等人(2025)提出了一种基于联邦多变量变分模态分解的框架,该框架旨在解决多源时间序列预测中的数据隐私和效率问题。

第三,旨在优化参数和结构的模型则通过改进模型架构或关键参数来提升预测性能。Mirza等人(2023)开发了一种融合CNN、ResNet以及改进型循环神经网络的混合模型。进一步地,Liu等人(2024)采用Rime优化算法来优化VMD参数,并在LSTM中引入多头自注意力机制,用于预测风速。Peng和Lin(2026)提出了SAMForecast模型,该模型深度融合了自注意力和Mamba技术,从而能够捕捉时间序列中的全局和局部特征。

最后,专门用于误差校正的模型则通过建模和修正初始预测的误差来提升预测精度。Wang和Zhang(2025)构建了一种用于原油期货预测的混合系统。在该系统中,首先由深度双向LSTM网络进行初步预测,然后在训练阶段采用随机强度公式进行误差校正,从而有助于获取更有效的特征。尽管现有混合模型已取得一定改进,但仍存在一些局限性:权重分配容易受到基础模型影响,参数优化需要较高的计算成本,而单阶段误差校正则难以处理复杂且非平稳的时间序列。

在各种混合框架中,分解-集成方法被认为是一种尤为有效的方案。通过引入多尺度分解技术,这类方法能够简化模型复杂性,便于提取隐藏在复杂数据序列中的各种模式和关系。常用的分解方法包括经验模态分解、变分模态分解、小波变换、奇异谱分析,以及一些改进型的分解方法(Liu等人,2024;X. Wang和Ma,2024;Yu等人,2023;Zhao等人,2023)。Korkmaz(2021)利用VMD将电力数据分解为各个子成分,同时还提出了一种将卷积神经网络与VMD相结合的新模型。Liu等人(2023)应用VMD算法进行数据分解,并设计了一种两阶段深度学习方法,该方法利用分离后的子功率序列数据进行光伏发电预测。Xiao等人(2023)提出了一种创新的框架,该框架采用分解-重构方法,将经验模式分解与自适应噪声处理及独立元素分析相结合,从而提升短期预测的精度。

为了实现更精细的分析,人们进一步开发了先进的二次分解技术,用于拆分最复杂的成分,从而有效避免模式混叠现象,更准确地揭示潜在的数据模式。典型的研究包括T. Wang等人(2025)提出的结合STL和VMD的双层方法,该方法针对不同成分采用多种模型,并通过CSCOA优化算法来提升点预测和区间预测的精度。Lan等人(2024)引入了IVMD-ICEEMDAN二次分解方法,用于优化VMD中的参数确定,他们分别使用SOA-LSSVM和TCN处理高频和低频成分,同时采用SOA-GRU进行碳市场预测中的非线性整合。刘等人(2024年)将这一概念进一步拓展到区间值数据上,设计了一种框架:首先利用BEMD进行初步分解,通过多尺度排列熵识别出最复杂的成分,再运用MVMD进行二次分解,最终构建出优化的区间多层感知器用于预测。尽管分解-集成方法已被广泛应用,但它们存在一些问题,如模式混叠、计算复杂度增加以及误差累积。为解决这些技术缺陷,人们开发了以数据特征为导向的分解-重构方法。这类方法会重构并预测相似且兼容的数据特征,然后根据数据特性选择最合适的预测模型。王等人(2011年)将原始数据分为趋势周期、季节性影响和随机元素三类,随后使用带有径向基函数核的最小二乘支持向量机来预测每一类成分,再将这些预测结果整合起来得到最终结果。库什瓦哈和平多里亚(2019年)提出了一种时间自适应混合模型,结合季节性ARIMA和随机向量函数链神经网络,并利用最大重叠离散小波变换对数据进行分解。阿巴斯伊梅尔等人(2024年)则采用带自适应噪声的完整集成经验模态分解及其改进版本对序列进行分解,然后为每个子序列拟合Prophet模型。尽管有了这些技术进展,但成分特性与模型适用性之间的系统性关联往往被忽视。不过,当前研究仍存在两个更为根本的局限性。首先,分解后重构出的各成分的可解释性不足,因为各个子序列背后的物理或统计含义往往不明确。当各成分的可解释性无法得到有效界定时,研究人员倾向于使用单一的复杂模型统一处理所有子序列,这反而削弱了基于分解方法的核心优势——即为不同时间模式实现精准预测。其次,模型选择与数据特性之间的匹配问题也尚未得到充分解决。季节性光伏发电数据具有复杂且多元的特性,受到随机、趋势和周期性变化的影响,因此需要针对每类成分的统计特性量身定制模型。若缺乏这种匹配,预测精度和模型稳定性可能会大幅下降,尤其是在处理波动较大或噪声较多的数据时。因此,迫切需要一种能够将成分分析与模型匹配有机结合的更系统化的框架。为弥补上述不足,本研究提出了一种全新的以特征为导向的光伏发电预测分解-重构与混合建模框架。该框架会对具有相似特性的子序列进行分类和整合,将其重构为三类独立的成分:随机成分、季节性成分和趋势成分。其中,BPNN模型用于预测随机成分,SARIMA模型用于预测季节性成分,而二次时变非线性离散灰色模型(QDNDGM(1,1))则用于估算趋势成分。最终预测结果是通过综合这三类成分的预测值得出的,从而实现对光伏发电量更为精准的估算。本研究的主要贡献可归纳为三个方面:(1)本研究提出了一种全新的分解-重构预测框架,能够有效识别并提取出三种具有明显特征的成分——随机成分、季节性成分和趋势成分。由此得到的子成分具备较高的可解释性和可分离性,有助于降低混合信号叠加带来的不确定性。为获得最佳预测效果,每种成分都采用了与其固有特征相匹配的专用预测方法:随机成分用BPNN模型,季节性成分用SARIMA模型,趋势成分用QDNDGM(1,1)模型。之后再将所有子成分的预测结果整合起来,重构出最终的序列。该框架能够实现具有特定重要性的成分的可分离分解,既提升了数据提取的效率与准确性,又降低了计算复杂度,进而提高了计算效率与预测精度,为复杂时间序列预测提供了可靠且可解释的解决方案。(2)本研究还提出了一种数据驱动的模型选择方法,用于在所提出的框架内预测各分解后的成分。该方法通过分析数据特性与模型性能之间的对应关系,确定每种成分最合适的预测模型,从而确保预测方法与各类特征的本质特征相契合。这一方法有效解决了异构数据模式与预测模型之间的不匹配问题,非常适合用于包含趋势、季节性和随机成分的复杂时间序列预测场景。(3)本研究通过对比十种基准模型,对所提出技术的有效性进行了全面分析。评估工作基于欧洲的光伏发电数据展开,从预测精度、稳定性和可靠性等方面对各种模型进行了评价。此外,还进行了稳定性分析,以验证该框架在不同数据条件下的稳定性和泛化能力。测试结果表明,所提出的模型具有更出色的预测性能和稳定性,证明其可作为处理复杂非线性时间序列数据的实用且可靠的预测工具。

方法论
本节介绍了一种基于季节性特征匹配的新型混合集成方法。具体而言,2.1节阐述了所提出方法的研究框架,2.2节详细介绍了数据分解方法,2.3节说明了数据重构方法,2.4节则详细阐述了针对各类成分的单独预测方法。最后,2.5节介绍了集成预测方法。

实验设计
本节通过与一系列基准模型进行比较分析,评估所提出模型在预测欧盟地区太阳能光伏发电量方面的可行性和适应性。3.1节描述了数据收集过程,3.2节明确了评估标准,3.3节则展示了对比案例研究。

结论
从数据特征识别与提取的角度出发,我们提出了一种以季节性特征匹配为核心的新型混合集成方法,对该现有的分解-重构预测框架进行了改进。该方法能够对具有相似特征的数据进行分类和整合,将其重构为三类具有较高可解释性的成分:随机成分、季节性成分和趋势成分。随后,它会根据这些成分的特性选择相应的预测模型。

参考文献
刘等人,2024年;叶等人,2024年。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金(72501213、72501304、72001107、72271120)、教育部人文社会科学研究青年基金(24YJC630276)、湖北省自然科学基金(2024AFB168)、湖北省产业政策与管理研究中心项目(2024CYY06)、湖北省教育厅哲学社会科学科研项目(24Q110)以及中国博士后科学基金(C类)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号