《Eng》:Hybrid VMD-TCN-GRU Model for Short-Term Photovoltaic Power Forecasting: A Case Study of 20 MW and 3 MW Grid-Connected Solar Power Plants in Adrar, Algeria
编辑推荐:
准确的短期光伏功率预测(Short-Term Photovoltaic Power Forecasting, STPVPF)对于太阳能可靠并入现代电力系统至关重要。本研究针对位于阿尔及利亚Adrar的两座并网光伏电站(装机容量分别为20 MW和3 MW)探讨了
准确的短期光伏功率预测(Short-Term Photovoltaic Power Forecasting, STPVPF)对于太阳能可靠并入现代电力系统至关重要。本研究针对位于阿尔及利亚Adrar的两座并网光伏电站(装机容量分别为20 MW和3 MW)探讨了数据驱动的预测策略。研究人员评估了时间卷积网络(Temporal Convolutional Network, TCN)和门控循环单元(Gated Recurrent Unit, GRU)两种深度学习模型,并进一步通过基于变分模态分解(Variational Mode Decomposition, VMD)的混合框架对其进行扩展。所开发的VMD–TCN–GRU方案在学习之前将光伏功率信号分解为本征模态,从而能够更好地表征多尺度时间模式。研究人员利用从两座公用事业规模光伏电站收集的长期运行数据对模型进行训练和验证,并在不同的历史输入窗口下评估预测性能。结果表明,VMD显著提高了预测精度。在各自最优输入窗口下,VMD–TCN–GRU模型对20 MW Adrar电站的rRMSE达到7.11%,对3 MW Kaberten电站达到10.82%,与对应的非分解TCN–GRU模型相比,rRMSE分别相对降低42.43%和28.96%。最优配置的决定系数(coefficient of determination, R2)对Adrar电站为98.89%,对Kaberten电站为97.16%。结果还表明,最优历史输入窗口因电站而异。总体而言,研究结果证明,将VMD与混合深度学习相结合,能够在真实并网运行条件下为短期光伏功率预测提供有效的预测框架。
论文解读:基于VMD-TCN-GRU的短期光伏功率预测研究
**研究背景与问题**
随着全球能源需求持续增长以及温室气体减排压力加大,以光伏为代表的清洁能源在电力结构中的占比不断提高。然而,光伏输出功率受太阳辐照度、气温、云量、风速和相对湿度等气象条件强烈影响,其短期波动会给电网调度和稳定运行带来挑战。准确的短期光伏功率预测(STPVPF)有助于降低光伏不确定性,为机组调度、运行规划和电网升级提供支撑。当前预测模型多采用统计、机器学习或深度学习方法,其中结合信号分解与混合深度学习的策略日益受到关注。然而,针对阿尔及利亚公用事业规模光伏电站的15分钟级预测研究仍然较少,且信号分解对预测性能的单独贡献尚缺乏与非分解架构的系统对比。为此,研究人员利用阿尔及利亚Adrar地区两座并网光伏电站的实测数据,研究了历史输入窗口的影响、变分模态分解(VMD)的作用以及电站规模对预测精度的影响,并提出了混合VMD–TCN–GRU模型。
**研究内容与结论**
研究人员收集了Adrar光伏电站(20 MW,2018年1月起24个月)和Kaberten光伏电站(3 MW,2020年1月起17个月)的功率数据,数据采样间隔为15分钟,取每日07:00至19:00时段。研究首先对比了时间卷积网络(TCN)和门控循环单元(GRU)两种深度网络结构,进而构建了将VMD与TCN–GRU相结合的混合预测框架。VMD将原始光伏功率信号分解为6个本征模态函数(IMF),分别代表不同频段的时变成分,然后输入TCN–GRU模型进行15分钟提前预测。通过采用ADAM优化器、均方误差(MSE)损失函数以及早停和学习率衰减等策略,模型在不同历史输入窗口(k=3至12)下进行了训练与验证,并使用MAE、RMSE、rRMSE和决定系数(R
2)进行评估。
结果表明:首先,历史输入窗口对预测精度的影响有限且非单调;在不使用VMD的情况下,增大k从3到最优值仅使rRMSE相对降低5.42%(Adrar)和3.73%(Kaberten),加入VMD后相应降低5.20%和2.43%。其次,VMD显著提升了预测精度:在相同输入窗口(k=3)下,VMD使rRMSE在Adrar和Kaberten分别相对降低41.12%和28.68%;在各自最优配置下,VMD–TCN–GRU模型对Adrar电站取得7.11%的rRMSE,对Kaberten电站取得10.82%的rRMSE,相对非分解模型分别降低42.43%和28.96%,对应的R
2分别为98.89%和97.16%。第三,最优历史输入窗口因电站而异:未分解时Adrar在k=8最优,Kaberten在k=5最优;加入VMD后Adrar最优k=8,Kaberten最优k=5。第四,电站规模影响预测误差:20 MW的Adrar电站相对误差低于3 MW的Kaberten电站,这可能与大容量电站的空间聚合效应有关,但也受站点气象、布局和运行特性影响。
**主要技术方法**
研究人员采用的主要方法包括:一是变分模态分解(VMD),通过交替方向乘子法将光伏功率序列分解为多个本征模态函数,从而分离不同时间尺度的变化成分;二是时间卷积网络(TCN),采用因果卷积、膨胀卷积和残差连接以捕获长期时序依赖;三是门控循环单元(GRU),利用更新门和重置门平衡记忆与遗忘;四是混合VMD–TCN–GRU框架,将分解后的IMF序列作为TCN与GRU组合模型的输入;五是模型优化与评估,使用ADAM优化器最小化MSE,并通过早停和动态学习率控制训练过程。数据来源为Sonelgaz可再生能源公司记录的两座电站的实测功率数据。
**研究结果分述**
**历史窗口长度对未分解模型的影响**:Adrar电站未分解TCN–GRU的测试rRMSE随输入窗口增大从12.72%(k=3)逐步降至最优12.03%(k=8),随后略有回升;Kaberten电站同样在k=5时达到最优14.97%。这说明延长历史窗口收益有限,且并非单调改善。
**VMD对预测性能的转换性影响**:VMD分解后,Adrar电站在k=8时取得最低rRMSE 7.11%,RMSE为583.03 kW,MAE为340.61 kW,R
2为98.89%;与同一窗口下未分解模型的12.35%相比,相对误差降低42.43%。Kaberten电站在k=5时取得最低rRMSE 10.82%,MAE为69.60 W,R
2为97.16%,相对未分解模型降低28.96%。VMD带来的误差削减远大于调整历史窗口的影响。
**光伏电站规模的影响**:在相同k=3配置下,Adrar的未分解和VMD模型rRMSE分别为12.72%和7.50%,Kaberten分别为15.55%和11.09%;最优配置下Adrar的rRMSE为7.11%,Kaberten为10.82%。较大电站的相对误差更低,可能与空间聚合平滑局部辐照波动有关,但容量并非唯一决定因素。
**主要结果与关键洞察**:三种发现可总结为:历史窗口对精度影响小且非单调;VMD提供远大于窗口调整的精度提升;最优窗口与电站具体时序特征有关,需针对目标电站选择合适的历史输入长度。
**结论与展望**
研究证实,VMD预处理与TCN–GRU架构结合能够显著提升短期光伏功率预测精度。在最优配置下,两座电站均获得较低的rRMSE和高R
2,且VMD的贡献远大于延长历史窗口。研究还表明,预测性能与电站规模及运行环境密切相关,因此有效的STPVPF应同时考虑信号分解和目标电站的时序特性,而不能仅依赖更长历史序列。未来工作拟将模型集成至电站能量管理系统,开展技术经济评估,探索实时部署与SCADA集成,并进行硬件实验验证,以推动所提框架在实际光伏电站中的应用。