CW-MIDBO-ELM: 一种考虑天气影响的光伏功率优化组合预测模型

马彦宏; 付国力; 高敬更; 张红; 姬文宣

doi:10.12404/j.issn.1671-1815.2505054

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5521-5530 DOI: 10.12404/j.issn.1671-1815.2505054

电工技术

CW-MIDBO-ELM: 一种考虑天气影响的光伏功率优化组合预测模型

马彦宏 ¹^,² ,
付国力 ¹ ,
高敬更 ³ ,
张红 ⁴ ,
姬文宣 ⁴

作者信息 +

CW-MIDBO-ELM: An Optimized Hybrid Forecasting Model for Photovoltaic Power Considering Weather Factors

MA Yan-hong ¹^,² ,
FU Guo-li ¹ ,
GAO Jing-geng ³ ,
ZHANG Hong ⁴ ,
JI Wen-xuan ⁴

Author information +

文章历史 +

摘要

因受太阳辐射、风速和温度等因素的影响,光伏发电的功率会产生较大的波动,在进行大规模光伏并网时,这种波动会对电力系统的运行和调度造成很大的困难,因此,准确的光伏发电功率预测对确保电网稳定运营起着很大的作用。提出了一种结合自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波分析(wavelet analysis)、多策略融合改进的蜣螂优化算法(multi-strategy improved dung beetle optimization, MIDBO)和极限学习机(extreme learning machine, ELM)的光伏功率组合预测模型,即CW-MIDBO-ELM。使用CEEMDAN联合小波降噪对影响光伏输出功率的关键影响因素进行分解重构,降低影响因素序列的非平稳性,并对蜣螂算法进行多策略融合改进,优化ELM算法的连接权重和隐含层偏置参数,提高ELM算法的网络稳定性和预测准确性。通过实验验证,所提出的光伏功率组合模型在预测性能上有明显提升。

Abstract

Given that environmental factors such as solar radiation, wind speed, and temperature exert significant influences on the fluctuation of photovoltaic (PV) power generation, these fluctuations pose substantial challenges to the secure operation and dispatching of power systems with large-scale PV integration. Therefore, accurate PV power forecasting is essential for maintaining grid stability. A hybrid forecasting model, CW-MIDBO-ELM, was proposed. The model integrates complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), wavelet analysis, the multi-strategy improved dung beetle optimization algorithm (MIDBO), and the extreme learning machine (ELM). CEEMDAN combined with wavelet denoising was employed to decompose and reconstruct key meteorological features affecting PV output, thereby mitigating the non-stationarity of the input sequences. Furthermore, the MIDBO algorithm was used to optimize the input-layer weights and hidden-layer bias parameters of the ELM, enabling improved network stability and enhanced prediction accuracy. Experimental results demonstrate that the proposed CW-MIDBO-ELM model achieves markedly higher forecasting performance compared with benchmark methods.

Graphical abstract

关键词

光伏功率预测 / 极限学习机 / 蜣螂优化算法 / 自适应噪声完备集合经验模态分解

Key words

photovoltaic power prediction / extreme learning machine / dung beetle optimization algorithm / adaptive noise-complete ensemble empirical modal decomposition

引用本文

引用格式 ▾

马彦宏, 付国力, 高敬更, 张红, 姬文宣. CW-MIDBO-ELM: 一种考虑天气影响的光伏功率优化组合预测模型[J]. 科学技术与工程, 2026, 26(13): 5521-5530 DOI:10.12404/j.issn.1671-1815.2505054

MA Yan-hong, FU Guo-li, GAO Jing-geng, ZHANG Hong, JI Wen-xuan. CW-MIDBO-ELM: An Optimized Hybrid Forecasting Model for Photovoltaic Power Considering Weather Factors[J]. Science Technology and Engineering, 2026, 26(13): 5521-5530 DOI:10.12404/j.issn.1671-1815.2505054

登录浏览全文

4963

注册一个新账户忘记密码

随着光伏所占比重的逐渐增大,光伏发电在电网中的地位越来越重要;光伏发电被广泛使用推动了能源革命的到来,每年减少数亿吨碳排放,并且让全世界的能源实现从不可再生向可再生能源转变^[1],更是将传统的发电系统进行空间上的改变^[2]。但是另一方面,大规模光伏并网导致其波动性和电网调峰难度增大等一系列问题随之而来。由于光伏的时有时无、不稳定等特性会严重扰乱整个电力系统的正常运行和调度^[3],甚至造成供电瘫痪。因此,通过光伏功率预测辅助电力调度部门制定调度方案来提前规划发电量,在有可能的情况下使其需求与供给具有相同的功率,既保证了电力系统的运转,也使得能量得到最大限度的利用,进而提高变电站的工作效率。

当前,国内外光伏发电系统预测方法主要使用支持向量机^[4]、马尔科夫链^[5]、人工神经网络^[6]等。但支持向量机受限于核函数参数敏感性及小样本过拟合风险^[7],马尔科夫链因静态转移概率假设难以刻画天气突变引发的非稳态波动^[8],人工神经网络面临梯度消失、局部收敛与黑箱结构导致的泛化能力不稳定问题^[9]。上述局限性制约了预测精度与工程适用性。极限学习机(extreme learning machine,ELM)作为一种典型的改进型人工神经网络,能以极快的学习速度达到较好的泛化性能,克服了传统神经网络学习速度慢的问题,具有更快的学习能力和优异的泛化能力^[10],在光伏功率预测中得到了广泛应用^[11]。文献[12]建立了改进的教与学算法和极限学习机协同框架的光伏发电预测模型,通过引入动态惯性权重和自适应邻域搜索机制优化算法收敛性,结合太阳辐照度、温度等实时气象数据,实现印度恰蒂斯加尔邦地区1 h~3个月的多尺度光伏功率预测。文献[13]提出一种基于持久性极限学习机(persistent extreme learning machine,P-ELM)的太阳辐照度预测方法,通过融合历史GHI序列与实时气象参数,实现印度安得拉邦多气候场景下的全球水平辐照度动态预测。

由于天气因素的影响,在极端天气下,光伏发电存在显著的不稳定性^[14],在气候忽变的情况下,单纯依赖光伏电站历史数据的预测并不精确,研究自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法和小波去噪算法,提出一种基于CEEMDAN联合小波去噪算法改进的多策略融合改进的蜣螂优化算法(multi-strategy improved dung beetle optimization, MIDBO)和极限学习机(extreme learning machine, ELM)的光伏预测方法,捕捉极端天气的特征并在3个时间尺度上验证模型的预测性能。

1 CW-MIDBO-ELM预测模型

所提出的CW-MIDBO-ELM预测模型主要由3个部分构成:CEEMDAN分解与小波重构技术的结合、MIDBO算法的改进和ELM的优化。CW-MIDBO-ELM预测模型结构图如图1所示,展示了天气因素的降噪、DBO算法的改进和ELM的优化3个部分以及整体的预测流程。

1.1 CEEMDAN分解及小波重构

CEEMDAN是对原始经验模态分解(empirical mode decomposition,EMD)进行改进的算法,特别适合分析高度波动的非稳态信号^[15]。CEEMDAN算法在将信号分解为本征模态函数(intrinsic mode function, IMF)过程中,自适应地加入白噪声,并在平均化处理后进行逐次迭代,从而有效克服了传统EMD算法容易造成模态混叠的问题,提高了对非稳态信号的处理能力^[16]。

使用CEEMDAN算法对历史光伏数据进行信号分解,通过这一过程,信号被拆解为一系列不同频率的本征模态函数,再对这些本征模态函数运用小波降噪进行净化,随后将净化处理过后的各本征模态函数重组,获得降噪后的信号。CEEMDAN与小波去噪算法相结合的方法会比传统的小波去噪方法更好地捕捉极端天气及环境信号的非线性特征,提升信号降噪的效果。

1.2 MIDBO算法

蜣螂优化算法(dung beetle optimizer,DBO)是一种新型的算法,具有良好的收敛速度与抗噪能力^[17],但也存在一些缺陷。在繁殖阶段,如果在原点即0点取局部最优,会使产卵的蜣螂集中在0点,导致算法迭代失败;蜣螂算法的收敛因子在协调算法初期全局搜索与后期局部探索方面效果不佳,可能影响求解精度。因此,使用以下改进措施。

(1)采用Tent混沌映射进行蜣螂种群初始化,以此提升初始种群的多样性,有效防止陷入局部最优解。

(2)动态调整觅食和产卵的蜣螂种群比例,改进收敛因子的更新机制,以提升算法在前期的全局探索性能以及后期的局部探索能力。

(3)对原算法中的最优产卵区域进行了重构改进,使算法能够更充分地探索解空间。

1.2.1 Tent混沌映射

面对复杂的问题,原始DBO随机生成种群中个体的初始位置,从而导致种群的多样性不足,优化过程收敛比较慢。为了算法初期的全局搜索能力,需要种群初始位置在空间中均匀分布。为此,采用混沌算子完成对种群初始化操作。

由于Tent混沌映射具有很好的遍历均匀性和较快的搜索速度,所以利用其遍历性产生更为均匀的混沌序列,从而降低初始值对算法结果的干扰。Tent混沌映射的数学表达式为

(1)x_i₊₁=$\left\{\begin{array}{ll}2{\mathit{x}}_{\mathit{i}},& 0\le \mathit{x}\le \frac{1}{2}\\ 2(1-{\mathit{x}}_{\mathit{i}}),& \frac{1}{2}\mathit{x}\le 1\end{array}\right.$

式(1)中:x_i为当前迭代步的混沌变量值;x_i₊₁为下一迭代步的混沌变量值。

1.2.2 收敛因子改进

随着收敛因子R的减小,最佳产卵和觅食区域的面积也随之减小。由于最佳产卵和觅食区域在早期阶段所包围的面积较大,所以在前期搜索区域会很大,能充分对全局进行搜索。最佳产卵区和觅食区在后期阶段所包围的区域较小,所以在后期能够在最优解所在局部区域进行更加详细的搜索。

为了使算法在前期获得更好的全局探索能力,以增加寻找最优点的可能性,在后期获得更好的局部探索能力,以增加算法的收敛速度,因此需要调整收敛因子R,使其在前期有较慢的递减速度,在后期有较快的递减速度,改进了DBO的收敛因子,表达式为

(2)R=0.5$\left(\mathit{c}\mathit{o}\mathit{s}\frac{\mathit{t}}{{\mathit{T}}_{\mathit{m}\mathit{a}\mathit{x}}}+1\right)$

式(2)中:t为迭代次数;t_max为最大迭代次数。

相比于传统收敛因子,优化后的边界收敛因子刚开始减小较慢,这一特点可以增加最佳觅食和产卵边界的范围,增强全局搜索的能力,在后期快速减小,相较于原收敛因子加快了算法的收敛速度^[18]。

1.2.3 全局搜索和局部探索平衡策略

原DBO算法中,觅食蜣螂负责全局搜索,产卵蜣螂负责局部搜索,然而固定的比例无法兼顾全局搜索和局部搜索的需求,且会前期探索不足,陷入局部最优,后期收敛速度慢,精度不足。DBO算法表达式为

(3) x_i(t+1)=x_i(t)+C₁[x_i(t)-Lb^b]+C₂[x_i(t)-Ub^b]

式(3)中:Ub和Lb分别为上界和下界;C₁、C₂为随机常数,用于增强搜索的随机性;b为常数因子,用于调节边界对位置更新的影响权重。

将两个种群合并,并设计了一个动态临界值[式(4)],使前期P较低,以觅食蜣螂为主,增强全局搜索能力,后期P增大。则增加产卵蜣螂,加速收敛。

(4)P=0.2+0.6$\frac{\mathit{t}}{{\mathit{T}}_{\mathit{m}\mathit{a}\mathit{x}}}$

DBO算法在最优产卵区域设计存在独立性缺陷,当最优解分量为零时,领域范围计算不当会导致搜索空间坍缩,使局部搜索失效。为此,提出n维球搜索策略和动态半径机制,从根本上规避此问题。球体的公式为

(5)$(\mathit{X}-{\mathit{X}}_{1}^{\mathit{*}}{)}^{2}$+$(\mathit{X}-{\mathit{X}}_{2}^{\mathit{*}}{)}^{2}$+…+$(\mathit{X}-{\mathit{X}}_{\mathit{n}}^{\mathit{*}}{)}^{2}$=Ridus²

式(5)中:

${\mathit{X}}_{\mathit{i}}^{\mathit{*}}$

(i=1,2,…,n)为当前全局最优解的各维坐标值;Ridus=(Ub-Lb)/2R,Ridus为着蜣螂的搜索半径。搜索半径的值随着迭代减少,以实现前期更充分探索解空间,后期更充分探索局部最优附近的区域的效果。产卵蜣螂的位置更新变为

(6)${\mathit{X}}_{\mathit{n}}^{\mathit{i}}$(t+1)=${\mathit{X}}_{\mathit{n}}^{\mathit{*}}$+RidusKsinθ₁sinθ₂…sinθ_n_-1

式(6)中:K为缩放因子中的随机数,取值仅为[0,1],用于控制搜索幅度;θ₁、θ₂、…、θ_n_-2为范围在[0,π]的随机数,θ_n_-1为范围在[0, 2π]的随机数,用于在n维空间内调整搜索方向,使得产卵蜣螂在最优解所在的局部区域中进行搜索。式(6)是n维球面坐标到欧几里得坐标的转换。

MIDBO算法的流程图如图2所示。

1.3 ELM神经网络优化

极限学习机(ELM)在搭建神经网络的初始阶段,会随机设置连接输入层与隐层的权值以及隐层的偏置^[19]。所以它在训练过程中只需要确认隐层的神经元数,就能够直接获得最佳全局解决方案,这个特点能够避免普通单隐层前馈网络训练过程缓慢以及容易陷入局部最优的问题。相较于传统单隐层前馈网络(single-hidden-layer feedforward neural network,SLFN)的训练方式,ELM采用随机初始化策略来确定输入层的权重和隐层偏置。通过构建综合训练误差与输出权重正则化的目标函数,并运用MP(Moore-Penrose)广义逆矩阵的解析求解,以此获得输出层的最优权重值。经过理论研究表明,尽管隐层节点是随机生成的,ELM仍具备优秀的性能。经过超参数优化后,ELM的收敛速率明显提高,并且能够有效避免陷入局部最优的问题。在光伏功率预测相关领域研究方面,ELM的理论及其应用方面得到了广泛的分析和讨论。

通过整合多种策略优化的DBO方法,对ELM随机参数进行改进,从而构建了改进的组合预测模型。其预测流程如下。

步骤1 建立ELM模型框架,基于训练与测试数据随机确定权重和阈值。

步骤2 初始化。设定MIDBO的参数:种群个数、迭代次数、参数优化范围(Lb,Ub)等,使用Tent混沌映射对蜣螂种群的位置进行初始化。

步骤3 通过计算光伏功率预测数据的误差绝对值总和,以此来评估个体的适应度值。适应度值越低,表明个体的表现越优秀。适应度函数的具体表达式为

(7)fitness(y_i)=min$\left[\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}({\mathit{O}}_{\mathit{i}}-{\mathit{T}}_{\mathit{i}}{)}^{2}\right]$

式(7)中:O_i为预测功率值;T_i为实际功率值;N为样本总数。

步骤4 通过适应度函数评估各解的适应度值,以调整蜣螂种群位置分布,并验证解空间边界约束,最终更新最优解及适应度值。

步骤5 检查迭代是否已至最大迭代次数t_max,如条件成立,则退出目前的主循环,并为ELM模型配置最佳参数集。

步骤6 基于MIDBO算法所获得的最优参数组合,构建MIDBO-ELM功率预测模型,对测试样本进行预测。

2 实验及结果分析

2.1 实验数据及参数说明

采用澳大利亚Sanyo光伏电站的光伏数据集,该数据集包含了太阳辐照度、环境温度、环境相对湿度、风向、降雨量等多种环境因素数据。为评估这些影响因素与光伏发电量之间的关联性,采用皮尔逊相关系数作为衡量指标,如表1所示。从表1可以看出,太阳辐射、环境温度、环境相对湿度这3个因素对光伏发电量的影响尤为显著。因此,选择总水平辐射、散射水平辐射、环境温度、环境相对湿度作为关键环境因素。参数选择综合了相关优质文献的参考设定,并与大量实验验证相结合,在CEEMDAN方法中,白噪声系数与EMD分解次数N是核心参数,实验结果表明,当O取值为0.2,N取值为500时,预测模型效果达到最佳。针对小波软阈值算法参数设定,选用db4为小波基,分解层数为3层。MIDBO算法将初始种群数量设为30,并将最大迭代次数控制在500次。对于ELM网络架构,其输入层与隐含层间的连接权值采用随机初始化方式,权值区间设定为(-1,1),同时隐含层偏置的取值范围为(0,1)。经过多次迭代,最终确定最佳隐含层数量为13。

图3展示了从光伏数据集中挑选的部分温度、湿度样本经过CEEMDAN分解后的结果。通过这个过程,生成了12个本征模态函数和1个残差项,它们分别体现了光伏数据在不同频率范围内的波动特征及整体走势。而这种多层次的分解有助于更细致地捕捉光伏功率输出中的短期波动和长期趋势,进而提高CW-MIDBO-ELM预测模型的准确性。

2.2 模型评价指标

选取4个指标用于评估预测模型的预测性能和数据特征,具体包括平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)、均方根误差(root mean squared error,RMSE)以及拟合优度R²。这些指标是回归预测最常用的指标,在实际的光伏发电预测中有着非常重要的评估意义,其中MAE、RMSE以及MSE的数值越小,R²的值越接近于1,则表明预测结果的准确性越高。其定义如下。

(8)MAE=$\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}\left|{\mathit{y}}_{\mathit{i}}-\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}\right|$

(9)MSE=$\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}({\mathit{y}}_{\mathit{i}}-\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}{)}^{2}$

(10)RMSE=$\sqrt{\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}({\mathit{y}}_{\mathit{i}}-\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}{)}^{2}}$

(11)R²=1-$\frac{\sum _{\mathit{i}=1}^{\mathit{n}}(\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-{\mathit{y}}_{\mathit{i}}{)}^{2}}{\sum _{\mathit{i}=1}^{\mathit{n}}({\mathit{y}}_{\mathit{i}}{-\overline{\mathit{y}})}^{2}}$

式中:y_i为真实值;y'_i为预测值;

$\overline{\mathit{y}}$

为平均值;n为样本数量。

3 实验结果分析

为了验证所提出的CW-MIDBO-ELM组合预测模型的性能优势,同时评估CEEMDAN与小波去噪算法相结合的效果,通过对比试验与消融实验进行对比验证。将CW-MIDBO-ELM分别与BP神经网络、CNN、ELM、LSTM、SVR等算法进行性能比较。实验结果如表2所示,数据的具体对比情况通过图4~图6进行可视化展示。

根据表2的数据,在未来4 h预测中,MIDBO-ELM相较于SVR模型,其MAE和MSE减少了28.46%、24.31%。在未来12 h预测中,MAE和MSE与SVR神经网络预测模型相比分别降低了25.86%、41.73%,在未来24 h预测中,MAE和MSE与DBO-ELM神经网络预测模型相比降低了8%、10.57%。根据表2及图4~图6可知,所构建的CW-MIDBO-ELM预测模型相较于DBO-ELM模型和MIDBO-ELM模型,在性能上展现出显著的提升,各项指标均表现出色。在未来12 h预测中,因光伏功率具有波动性,CW-MIDBO-ELM预测模型的性能虽优于其他基线模型,但各项指标都稍弱于4 h下的CW-MIDBO-ELM预测模型,因光伏功率的间歇性,晚间的光伏功率输出为0,CW-MIDBO-ELM预测模型的性能大幅提升,各项指标均优于基线模型,R²也逼近于1。

4 消融实验分析

为验证不同子模块对整体预测模型性能的影响,使用CW-MIDBO-ELM与其3种变体来进行实验结果对比,实验结果比较如表3所示,其中3个变体分别如下。

(1)DBO-ELM:蜣螂优化算法与ELM相结合的光伏功率预测模型。

(2)MIDBO-ELM:多策略融合改进的蜣螂优化算法优化ELM神经网络的光伏功率预测模型。

(3)CW-DBO-ELM:CEEMDAN算法联合小波阈值去噪算法改进的DBO-ELM光伏功率预测模型。

(4)CW-MIDBO-ELM:CEEMDAN算法联合小波阈值去噪算法改进的MIDBO-ELM光伏功率预测模型。

图4的数据表明,相较于各类变体模型,CW-MIDBO-ELM始终保持着显著优势,这验证了整合全部算法模块可以取得最好的实验结果。其中,DBO-ELM模型在移除多策略改进和CEEMDAN联合小波去噪算法之后性能最差,表明了多策略改进的DBO算法和CEEMDAN联合小波去噪算法的有效性,显示了不同算法模块的互补效果。从表3中数据可以得出4 h预测中CW-MIDBO-ELM模型的MAE和MSE与DBO-ELM神经网络预测模型相比分别降低了27.33%、40%,12 h预测中,MAE和MSE与DBO-ELM神经网络预测模型相比分别降低了17.2%、20%;24 h预测中,MAE和MSE与CW-DBO-ELM神经网络预测模型相比降低了11.22%、7.69%。由此可知,CW-MIDBO-ELM预测模型有良好的预测效果,比较细节如图7~图9所示。

5 结论

采用CEEMDAN算法结合小波去噪技术对历史光伏数据分解与重构,从而提取原始数据中极端天气特征以及非线性环境特征;此外,引入了多策略融合改进的DBO算法来优化ELM神经网络的输入层连接权重和隐含层偏置参数,以减少神经网络后续需训练参数的数目,加快模型训练过程,避免陷入局部最优。通过将CEEMDAN算法得到的特征作为输入,结合MIDBO算法对ELM模型优化,本文模型在光伏测试集中表现出最高的预测精度。在相同的数据处理情况下,CW-MIDMO-ELM神经网络预测模型在光伏测试集中的预测精度最高,因此,该模型具备更好的性能,适用于光伏发电功率的预测。尽管ELM因随机初始化参数而存在随机性问题,未能从根本上消除,但通过MIDBO算法优化其初始参数,有效缓解了该问题对预测稳定性的影响,并通过实验验证了该策略的有效性。所提出预测方法考虑了天气波动影响以及ELM神经网络的缺陷,通过对预测结果进行分析和比较,验证了MIDBO算法和CEEMDAN联合小波去噪算法在光伏功率预测领域的可行性,其预测性能也得到了验证,这些结果对于光伏发电系统的运行和调度具有重要的理论和实践意义。此外,鉴于 CEEMDAN 中噪声幅值与集成次数仍依赖经验设定,后续工作将重点探索基于数据驱动的自适应参数优化机制,且由于参数优化集中在离线阶段,所以后续可针对在线预测参数动态调整研究,以进一步增强模型在不同气象条件下的稳定性与普适性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Wang Y Q, Fu W J, Wang J L, et al. Ultra-short-term distributed PV power forecasting for virtual power plant considering data-scarce scenarios[J]. Applied Energy, 2024, 373: 123890.

[2]	Niu Y, Wang J, Zhang Z, et al. De-Trend First, Attend Next: a mid-term PV forecasting system with attention mechanism and encoder-decoder structure[J]. Applied Energy, 2024, 353: 122169.

[3]	Hassan M A, Bailek N, Bouchouicha K, et al. Ultra-short-term exogenous forecasting of photovoltaic power production using genetically optimized non-linear auto-regressive recurrent neural networks[J]. Renewable Energy, 2021, 171: 191-209.

[4]	吴汉斌, 时珉, 郑焕坤, 等. 基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测[J]. 太阳能学报, 2023, 44(11): 64-71.

[5]	Wu Hanbin, Shi Min, Zheng Huankun, et al. Short-term interval prediction of photovoltaic power based on EEMD-ALOCO-SVM model[J]. Chinese Journal of Solar Energy, 2023, 44(11): 64-71.

[6]	Sanjari M J, Gooi H B. Probabilistic forecast of PV power generation based on higher order Markov chain[J]. IEEE Transactions on Power Systems, 2016, 32(4): 2942-2952.

[7]	Rivero-Cacho A, Sanchez-Barroso G, Gonzalez-Dominguez J, et al. Long-term power forecasting of photovoltaic plants using artificial neural networks[J]. Energy Reports, 2024, 12: 2855-2864.

[8]	Zhu R, Li T, Tang B. Research on short-term photovoltaic power generation forecasting model based on multi-strategy improved squirrel search algorithm and support vector machine[J]. Scientific Reports, 2024, 14(1): 14348.

[9]	Ge W, Wang X. PSO-LSTM-Markov coupled photovoltaic power prediction based on sunny, cloudy and rainy weather[J]. Journal of Electrical Engineering & Technology, 2024, 20: 935-945.

[10]	Salim M S. A comparative study of artificial neural network training algorithms to predict photovoltaic module output power[J]. International Journal of Sensors, Wireless Communications and Control, 2025, 15(1): 76-87.

[11]	Ge J, Cai G, Yang M, et al. Short-term prediction of PV output based on weather classification and SSA-ELM[J]. Frontiers in Energy Research, 2023, 11: 1145448.

[12]	Liu H, Cai C, Li P, et al. Hybrid prediction method for solar photovoltaic power generation using normal cloud parrot optimization algorithm integrated with extreme learning machine[J]. Scientific Reports, 2025, 15(1): 6491.

[13]	Sahu R K, Shaw B, Nayak J R. Short/medium term solar power forecasting of Chhattisgarh state of India using modified TLBO optimized ELM[J]. Engineering Science and Technology, an International Journal, 2021, 24(5): 1180-1200.

[14]	Syed M S, Suresh C V, Sivanagaraju S. Short-term solar insolation prediction: P-ELM approach[J]. International Journal of Parallel, Emergent and Distributed Systems, 2018, 33(6): 663-674.

[15]	Huang S T, Zhou Q G, Shen J, et al. Multistage spatio-temporal attention network based on NODE for short-term PV power forecasting[J]. Energy, 2024, 290: 130308.

[16]	席语莲, 凌周玥, 许晓敏. 短期风电功率CEEMDAN-SMA-LSSVM预测模型研究[J]. 科学技术与工程, 2024, 24(6): 2396-2404.

[17]	Xi Yulian, Ling Zhouyue, Xu Xiaomin. Research on short-term wind power prediction model based on CEEMDAN-SMA-LSSVM[J]. Science Technology and Engineering, 2024, 24(6): 2396-2404.

[18]	Tang H, Kang F, Li X, et al. Short-term photovoltaic power prediction model based on feature construction and improved transformer[J]. Energy, 2025, 320: 135213.

[19]	Xue J, Shen B. Dung beetle optimizer: a new meta-heuristic algorithm for global optimization[J]. The Journal of Supercomputing, 2023, 79(7): 7305-7336.

[20]	黄孝彬, 王永凯. 基于改进蜣螂优化算法的电站NO_x排放预测[J]. 科学技术与工程, 2024, 24(23): 9929-9936.

[21]	Huang Xiaobin, Wang Yongkai. Prediction of NO_x emissions from power plants based on improved dung beetle algorithm[J]. Science Technology and Engineering, 2024, 24(23): 9929-9936.

[22]	王永利, 赵中华, 张一诺, 等. 基于改进粒子群算法和极限学习机模型的配电网物资需求预测[J]. 科学技术与工程, 2025, 25(15): 6410-6418.

[23]	Wang Yongli, Zhao Zhonghua, Zhang Yinuo, et al. Prediction of material demand in distribution network based on improved particle swarm optimization and extreme learning machine model[J]. Science Technology and Engineering, 2025, 25(15): 6410-6418.