基于改进优化与注意力机制的TCN-BiGRU超短期光伏功率预测

谭华强 ,  张超 ,  覃涛 ,  陈昌盛 ,  郭元萍 ,  杨靖

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9156-9168

PDF (13803KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9156-9168 DOI: 10.12404/j.issn.1671-1815.2506105
电工技术

基于改进优化与注意力机制的TCN-BiGRU超短期光伏功率预测

作者信息 +

Ultra-short-term Photovoltaic Power Prediction Using TCN-BiGRU with Improved Optimization and Attention Mechanism

Author information +
文章历史 +

摘要

为提升气象扰动场景下的超短期光伏功率预测精度,提出一种融合改进霜冰优化算法(improved rime optimization algorithm, IRIME)、时域卷积网络(temporal convolutional network, TCN)、多策略优化时间通道注意力机制(multi-strategy optimization temporal channel attention, MSOTCA)与双向门控循环单元(bidirectional gated recurrent unit, BiGRU)的组合预测模型(IRIME-TCN-MSOTCA-BiGRU)。首先,采用皮尔逊相关性分析筛选关键气象特征变量,并输入TCN进行初级时序特征提取。其次,设计一种融合多尺度时间信息、气象突变增强和残差协同的MSOTCA机制,以增强模型对复杂气象扰动模式的动态响应能力。进而,提出一种具有气象波动感知能力的IRIME算法,用于自动优化模型超参数;并以BiGRU为时序决策层,输出点预测值。最后,结合蒙特卡洛采样生成预测区间,量化不确定性。基于山西阳高和新疆哈密两座光伏电站的实测数据开展实验,结果表明:与Transformer、Informer等基准模型相比,所提模型的平均绝对误差与均方根误差实现平均降幅19.20%~59.54%和9.22%~49.57%,预测精度与稳定性更优,验证了该方法在气象扰动场景下的有效性与鲁棒性。

Abstract

To enhance the accuracy of ultra-short-term photovoltaic power forecasting under meteorological disturbance scenarios, a hybrid model integrating an improved rime optimization algorithm (IRIME), a temporal convolutional network (TCN), a multi-strategy optimization temporal channel attention (MSOTCA) mechanism, and a bidirectional gated recurrent unit (BiGRU) was proposed. Firsty, key meteorological features were selected using Pearson correlation analysis and fed into the TCN for preliminary temporal feature extraction. Next, an MSOTCA mechanism was designed by integrating multi-scale temporal information, meteorological ramp enhancement, and residual connections to strengthen the model’s dynamic responsiveness to complex disturbance patterns. Subsequently, an IRIME algorithm enhanced with a meteorological-fluctuation-aware dynamic convergence factor was developed to automatically optimize the model hyperparameters. The BiGRU was then employed as the temporal decision layer to output point forecasts. Finally, prediction intervals were generated via Monte Carlo sampling to quantify uncertainty. Experiments were conducted using measured data from photovoltaic power stations in Yanggao, Shanxi and Hami, Xinjiang. The results demonstrate that compared to benchmark models such as Transformer and Informer, the proposed model achieves average reductions in mean absolute error (MAE) and root mean square error (RMSE) ranging from 19.20% to 59.54% and from 9.22% to 49.57%, respectively. These results indicate superior prediction accuracy and stability, validating the effectiveness and robustness of the proposed method under meteorological disturbance scenarios.

Graphical abstract

关键词

光伏功率预测 / 时间卷积网络(TCN) / 多策略优化时间通道注意力(MSOTCA) / 双向门控循环单元(BiGRU) / 改进霜冰优化算法(IRIME) / 区间预测估计

Key words

photovoltaic power forecasting / temporal convolutional network (TCN) / multi-strategy optimization temporal channel attention (MSOTCA) / bidirectional gated recurrent unit (BiGRU) / improved rime optimization algorithm (IRIME) / interval prediction estimation

引用本文

引用格式 ▾
谭华强, 张超, 覃涛, 陈昌盛, 郭元萍, 杨靖. 基于改进优化与注意力机制的TCN-BiGRU超短期光伏功率预测[J]. 科学技术与工程, 2026, 26(21): 9156-9168 DOI:10.12404/j.issn.1671-1815.2506105
TAN Hua-qiang, ZHANG Chao, QIN Tao, CHEN Chang-sheng, GUO Yuan-ping, YANG Jing. Ultra-short-term Photovoltaic Power Prediction Using TCN-BiGRU with Improved Optimization and Attention Mechanism[J]. Science Technology and Engineering, 2026, 26(21): 9156-9168 DOI:10.12404/j.issn.1671-1815.2506105

登录浏览全文

4963

注册一个新账户 忘记密码

随着全球可再生清洁能源的快速发展,光伏发电在能源结构中的占比显著提升[1]。然而,光伏功率受辐照度、温度、云层等多重气象因素耦合影响,呈现出强波动性与非线性[2],特别是在分钟级尺度上,气象突变(如快速过云、骤雨)更会引发功率的剧烈波动,给电网调度与安全稳定运行带来严峻挑战[3],而超短期功率预测精度直接关乎电网自动发电控制(automatic generation control, AGC)调节性能,因此,亟须开发高精度、强鲁棒性的超短期光伏功率预测方法。
现有预测方法主要包括物理模型、统计模型与深度学习三类[4-7]。物理模型依赖精确参数与复杂计算,实时性差[8-9]。传统统计方法(如ARMA、Kalman滤波[10])难以处理非平稳、非线性序列。近年来,深度学习模型(如BiLSTM[11-12]、BiGRU[13-15]以及Transformer[17])因其强大的非线性拟合和特征提取能力,被广泛应用。为提升性能,许多研究采用“分解+特征提取+预测”的三段式框架(如CEEMDAN/VMD分解+TCN/BiLSTM + Attention),通过信号分解增强数据平稳性,但这类方法存在明显缺陷:分解算法计算量大、超参数敏感,易引起模态混叠[5,7,16],且在多变气象条件下的实时性与泛化性能不足。一些研究尝试融合时空特征(如TCN-BiGRU[15]、SATCN-BiLSTM[18]和CNN-BiLSTM[19-20]),虽结合了时序卷积与循环结构,但TCN的膨胀卷积机制对长程空间依赖的捕捉仍不充分;CNN-BiLSTM等串联结构缺乏跨层次信息交互,存在特征传递损失。此外,虽然引入注意力机制(如双重注意力机制[12])可以让模型同时关注关键特征和时序维度,却未能显式建模不同气象变量通道的差异化重要性,导致模型对突变气象的响应滞后;而如AT-QRCNN[21]等方法侧重于静态特征筛选,缺乏时间维度上的动态权重调整机制,难以适应快速变化的气象条件。
针对现有模型在特征权重固化、气象突变响应滞后与预测精度不足等方面的局限,现提出一种基于改进霜冰优化算法(improved rime optimization algorithm, IRIME)优化TCN-MSOTCA-BiGRU的混合预测模型。首先,提出一种具有气象波动感知能力的动态收敛因子,并嵌入IRIME算法,以实现优化算法的自适应收敛和模型超参数的智能优化;其次,在利用TCN提取特征长程依赖的基础上,构建融合多尺度时间信息、气象突变增强与残差连接的时间通道注意力机制(MSOTCA),以强化模型对分钟级波动、小时级趋势及突变事件的协同感知与动态响应能力;最后,通过双向门控循环单元(BiGRU)进行时序决策,输出点预测结果。以期能够在提升超短期光伏功率预测精度的同时增强对气象突变的自适应响应能力,为光伏接入场景下的电网安全运行与新能源消纳提供更具鲁棒性的技术支撑。

1 理论与方法

1.1 数据介绍与预处理

实验数据分别来源于中国山西省阳高县30 MW光伏电站(2024年3月—2025年3月)与新疆维吾尔自治区哈密市50 MW光伏电站(2019年1月1日—12月31日)的实测数据,包括光伏功率及相关气象变量(如组件温度、环境温度、湿度、气压、太阳辐照度等)。

首先,对原始数据进行清洗,剔除异常值并补全缺失值。为筛选关键输入特征,采用皮尔逊相关系数[根据式(1)计算]分析各气象因素与光伏功率之间的相关性,结果如图1所示。

然后,对数据进行重构。以连续6个时间步的特征数据作为输入,预测下一时间步的功率值。所有数据均进行归一化处理,映射至[0,1]区间,以提升训练稳定性。最终,将数据集按7∶3的比例划分为训练集与测试集,用于模型训练与性能评估。

r=$\frac{\stackrel{n}{\sum _{i=1}}({X}_{i}-\stackrel{-}{X})({Y}_{i}-\stackrel{-}{Y})}{\sqrt{\stackrel{n}{\sum _{i=1}}({X}_{i}{-\stackrel{-}{X})}^{2}}\sqrt{\stackrel{n}{\sum _{i=1}}({Y}_{i}{-\stackrel{-}{Y})}^{2}}}$

式(1)中:r为皮尔逊相关系数;Xi和Yi为两个变量的样本值;$\stackrel{-}{X}$和$\stackrel{-}{Y}$为变量的样本均值。

1.2 TCN算法

TCN(时域卷积网络)是一种基于卷积神经网络的时间序列预测算法,可以进行高效的并行计算,且拥有较大的感受野和因果性,能够有效捕捉时间序列的长期依赖关系。TCN算法的核心是膨胀卷积和因果卷积的使用,其网络结构如图2所示。

因果卷积保障了预测的可靠性,通过严格的单向卷积结构(卷积核仅覆盖历史时刻),确保模型预测t时刻功率时仅使用[t-k, t-1]的历史数据,彻底避免未来信息泄露问题,符合光伏功率预测“仅基于历史数据预测未来”的因果约束,特别适用于光伏功率的日内波动预测(如云层移动导致的功率骤变),保证预测结果的可信度。膨胀卷积能捕获多尺度的时间依赖性,引入指数扩张的空洞间隔(膨胀因子d=1,2,4,…,2n),使单层卷积核的感受野呈指数级增长,例如在典型配置下,8层网络即可覆盖256个历史时间步(感受野=28=256),高效捕捉光伏数据的短中长期多重周期特征。TCN算法的网络结构通常由多个卷积层、归一化层、激活函数和dropout层组成,通过堆叠多个卷积层来增加网络的深度和复杂度,从而提高模型的表达能力和预测性能。

1.3 BiGRU算法

双向门控循环单元(BiGRU)实际为一种改进的循环神经网络(recurrent neural network, RNN)结构,其算法结构如图3所示,其设计目标是解决传统RNN的梯度消失问题,并通过门控机制(输入、输出、更新和重置门)来动态控制信息在整个神经网络中的流动。其中,更新门(update gate)决定当前时刻的隐藏状态保留多少历史信息。重置门(reset gate),决定忽略多少历史信息,用于生成候选隐藏状态。原理公式分别如下。

更新门:

zt=σ(Wz[ht-1,xt]+bz)

重置门:

rt=σ(Wr[ht-1,xt]+br)

候选隐藏状态:

${\stackrel{~}{h}}_{t}$=tanh(Wh[rt☉ht-1,xt]+bh)

当前隐藏状态:

ht=(1-zt)☉ht-1+zt☉${\stackrel{~}{h}}_{t}$

式中:zt为更新门的输出(取值范围0~1);σ(·)为Sigmoid激活函数;Wz、Wr、Wh分别为更新门、重置门和候选隐藏状态的权重矩阵;bz、br、bh分别为更新门、重置门和候选隐藏状态的偏置向量;ht-1为上一时刻的隐藏状态;xt为当前输入;☉为逐元素乘法;tanh(·)为双曲正切激活函数。

1.4 多策略优化时间通道注意力机制MSOTCA

空间通道注意力(spatial channel attention, SCA)[22]是一种以卷积神经网络(CNN)为核心的算法模型,广泛应用于计算机视觉领域。Chen等[22]提出该算法,旨在使该算法机制能同时捕捉来自空间和通道这两个维度的数据信息,提升模型对于重要特征的抓取和表达能力。但是原始的空间通道注意力机制并不适合用来处理时间序列数据,因此,在SCA的基础上重构出一种适用于时间序列数据的时间通道注意力机制(temporal channel attention,TCA)。TCA旨在直接捕捉时间维度的依赖性(如周期、趋势与突变点),并根据时间步与特征通道的重要性动态分配权重,避免将时间步长视为伪空间维度来处理,从而提升计算效率与建模的针对性。

如图4所示,TCA主要由时间注意力模块、通道注意力模块及融合模块构成。输入张量X分别经过两个注意力分支:通道注意力模块通过全局池化与全连接层学习各特征通道(如辐照度、温度等)的重要性,然后动态分配通道权重向量αc,以强化关键气象因子;时间注意力模块则通过类似结构学习各时间步的重要性,再动态分配时间权重向量βt以突出重要时段(如正午高辐照时段)。两者通过相乘结合并与输入逐元素相乘,得到加权输出,计算过程如下。

X∈RB×T×C
αc=σ$\left(\frac{1}{T}\stackrel{T}{\sum _{t=1}}{X}_{t}\right)$
βt=σ$\left(\frac{1}{C}\stackrel{C}{\sum _{c=1}}{X}_{c}\right)$
Y=X☉(αcβt)

式中:X为输入张量;B为批处理大小;T为时间步长;C为特征通道数;σ(·)为Sigmoid激活函数;Y为输出。

然而,简单重构SCA并不能完全达到大幅提高预测精度的目的,因为简单的全局平均池化且无残差连接,不仅会导致模型丢失原始信息,而且对气象突变的捕捉并不灵敏。为进一步提升其对光伏功率序列,尤其是气象突变事件的建模能力,在TCA基础上引入三项优化策略,构建多策略优化的时间通道注意力机制(MSOTCA)。

1.4.1 多尺度时间信息融合策略

分别对输入进行平均、最大与最小池化,以同时捕获长期趋势、峰值事件与谷值事件,并进行加权融合,增强对不同时间尺度波动模式的感知。数学原理如式(10)所示。

Tatt(t)=0.5$\frac{1}{C}\stackrel{C}{\sum _{c=1}}$X(t,c)+0.3maxcX(t,c)+0.2mincX(t,c)

式(10)中:C为通道维数;Tatt为时间注意力权重值;maxcX和mincX为沿通道维度取最大、最小值;X(t, c)为输入特征张量在时间步t、特征通道c上的数值。

1.4.2 气象突变增强策略

沿时间维度对气象张量进行中心差分计算,量化突变强度,然后初始化突变掩码Mt并进行线性插值,最后通过非线性映射增强时间注意力权重,从而提升模型对云层移动、骤雨等快速变化气象事件的响应速度。各步骤数学原理如下。

中心差分法:

Δ${X}_{t}^{(\mathrm{b},\mathrm{c})}$=$\left|{X}_{t+1}^{(b,c)}-{X}_{t}^{(b,c)}\right|$

时间注意力增强函数:

Tenhanced=Tatt☉[1+min(1,3M)]

插值公式:

Mt=$\left\{\begin{array}{ll}{G}_{1},& t=1\\ \frac{1}{2}({G}_{t-1}+{G}_{t}),& 1<t<T\\ {G}_{T},& t=T\end{array}\right.$

式中:b为当前样本的批次序号;M为非线性增强系数;G为平均梯度。

1.4.3 残差结构

引入可调残差系数β将原始输入与注意力加权输出相结合,防止注意力机制过度扭曲特征或放大噪声,提高模型鲁棒性与信息保留能力。核心公式如式(14)所示。

Y=X☉A+βX

式(14)中:X为输入特征张量;Y为输出;A为由前面注意力机制生成的注意力图;β控制原始输入的保留比例,可根据气象突变强度动态调整。

通过上述三项策略形成“感知响应保护”的协同机制:多尺度时间信息融合增强特征感知能力,气象突变增强策略提升对急剧变化的动态响应,残差结构则保护原始趋势信息,共同提升模型在气象扰动下的预测精度与稳定性。

1.5 基于气象波动感知的IRIME优化算法

霜冰优化算法[23](RIME)是一种新颖的元启发式优化算法,其设计灵感源自自然界中霜冰的形成与生长过程。霜冰的形成主要分为两种类型:软霜和硬霜。软霜生长缓慢且随机;而硬霜则生长迅速且方向一致。RIME算法正是基于这两种霜冰的形成机制来模拟霜冰粒子的运动和相互作用来实现优化。霜冰优化算法的显著优势在于其能够很好地平衡全局探索和局部开发,通过软霜和硬霜的交替策略,既保证了算法的全局搜索能力,又加速了局部最优解的开发。硬霜穿刺机制的引入,使得算法在收敛速度上具有明显的优势。

然而,由于光伏功率预测存在数据特性复杂、优化难度大和天气影响显著等特点,而RIME采用固定收敛策略,无法适应光伏数据随天气变化的动态特性,使优化过程容易陷入局部最优解,影响最终预测精度。其核心原理公式如下。

种群初始化:

$\left\{\begin{array}{l}{R}^{\mathrm{T}}=\left[\begin{array}{llll}{{S}^{\mathrm{T}}}_{1}& {{S}^{\mathrm{T}}}_{2}& \dots & {{S}^{\mathrm{T}}}_{n}\end{array}\right],　\\ {S}_{i}=[{\mathrm{x}}_{\mathrm{i}1},{\mathrm{x}}_{\mathrm{i}2},\dots,{\mathrm{x}}_{\mathrm{i}\mathrm{n}}]\end{array}\right.$

软霜搜索策略:

$\begin{aligned} R_{i j}^{\text {new }}= & R_{\text {best }, j}+r_{1} \cos \theta\left(1-\left\lfloor\frac{\omega t}{T}\right\rfloor / \omega\right) \times \\ & {\left[h\left(\mathrm{Ub}_{i j}-\mathrm{Lb}_{i j}\right)+\mathrm{Lb}_{i j}\right], \quad r_{2}<E } \end{aligned}$

硬霜穿刺机制:

${R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}$=Rbest,j, r3<Fnorm(Si)

式中:R为粒子的位置;Si为霜冰代理;x为霜冰粒子;ri为(-1,1)范围内的随机数;ω为控制算法收敛行为的因子;h为(0,1)范围内的随机数,表示附着力的程度;Ubij和Lbij分别为搜索空间的上下限;Fnorm(Si)为当前代理适应度值的归一化值;⌊」表示四舍五入。

因此,提出一种基于归一化变异系数的天气波动量化方法,将光伏功率序列的固有波动特性转化为可量化的天气波动指数(volatility index, VI),并建立其与优化算法参数的显式关联(关键伪代码如表1所示)。通过将VI动态融入RIME算法的收敛因子调整机制,实现算法搜索策略与数据波动特性的自适应匹配:在VI较高(天气波动剧烈)时增强全局探索,避免陷入局部最优;在VI较低(天气平稳)时加强局部开发,实现参数精细调优。该方法突破了传统优化算法收敛策略固定、与数据特性脱节的局限,形成了从“数据波动感知”到“算法行为调节”的闭环反馈。

2 光伏功率预测模型的构建与实现

2.1 模型构建

TCN-TCA-BiGRU模型框架如图5所示,具体步骤如下。

首先,对原始时序数据进行清洗、归一化及皮尔逊相关性分析,以提升数据质量并筛选关键特征,加快模型收敛。在此基础上,采用提出的IRIME算法对模型关键超参数(包括学习率、BiGRU神经元数量及正则化系数)进行自适应优化,以提升模型整体性能。

预处理后的数据输入时域卷积网络(temporal convolutional network,TCN)。TCN采用因果卷积确保仅依赖历史信息,避免未来数据泄露;并通过膨胀卷积扩展感受野,空洞因子按指数规律增长(如1,2,4,…),使模型能够有效捕获不同时间尺度的长短期依赖关系。每个卷积块内含两层卷积,其间加入修正线性单元(rectified linear unit, ReLU)激活与Dropout层以抑制过拟合;块间采用残差连接,缓解梯度消失,提升深层网络训练稳定性。

随后,特征序列输入多策略优化的时间通道注意力模块(multi-strategy optimization temporal channel attention module,MSOTCA)。该模块通过多尺度时间融合策略,同步提取分钟级波动、小时级趋势与日级周期特征;借助气象突变增强策略,对气象参数的突变强度进行量化与非线性增强,提升模型对云层快速变化等突发气象事件的响应灵敏度;同时,通过通道注意力机制为不同气象特征分配合适权重,突出关键影响因素。

最后,将经注意力加权后的特征送入双向门控循环单元(BiGRU),分别从正向与反向对序列进行建模,融合双向时序依赖信息;再通过全连接层进行非线性映射,最终输出光伏功率的预测值。

2.2 模型复杂度与适应性分析

主要创新模块的模型复杂度与批处理大小(B)、时间步(T)和通道数(C)有关,以下将通过模型输入尺寸BTC(B×T×C)对模型的复杂度作简要分析。

对于注意力机制模块,原始的空间通道注意力机制(SCA)以及时间通道注意力机制(TCA)的模型复杂度都为4BTC,而多策略优化的时间通道注意力机制(MSOTCA)的模型复杂度为8BTC,通道注意力部分占1BTC,多尺度时间融合注意力部分占3BTC,气象突变增强部分占2BTC,残差连接占2BTC。虽然MSO-TCA增加了4BTC的模型复杂度,但对于模型总计算量来说占比极低,可以大幅提升模型对于突变天气预测的精度。

在参数量方面,SCA与TCA都只使用全局平均池化(无参数)与Sigmoid激活函数(固定计算),未引入可学习权重,因此不增加额外参数量。MSOTCA所采用的优化策略同样未引入可学习参数,故参数量保持不变。整体模型TCN-MSOTCA-BiGRU的参数量为0.094 6 M,与TCN-BiLSTM、TCN-BiGRU等对比模型相近,且低于TCN-BiGRU-SA(SA和MA分别表示单头和多头注意力机制)等变体(0.100 8 M)。这表明该模型在维持较高预测精度的同时,具有适中的参数量,有利于提升泛化能力。尽管模型因引入了TCN、BiGRU及MSOTCA模块,其计算复杂度较基础TCN-BiGRU提升了约8BTC,但这一计算代价获得了更优的预测性能与模型鲁棒性。

在实时性与适用性方面,尽管模型计算复杂度高于单一预测模型,其在实际推理中仍表现良好。在普通个人计算机上,优化后的模型单次推理时间约为66 s;在实际部署中,可通过算法优化、GPU加速或并行计算进一步提升实时性。对于小型光伏电站,模型的高精度预测有助于优化能源调度;对于大型电站,虽然数据规模更大,但是可以借助分布式计算或云平台保障预测的实时性与准确性,因此该模型具备较好的工程适用性。

3 实验验证

3.1 模型训练与评估

训练过程中,设置最大训练次数为60次,初始学习率为0.01,正则化参数为0.000 1,模型优化器为Adam。TCN模块设置2个残差块,每块包含膨胀因子为2i-1的膨胀卷积,其中有64个大小为5的卷积核,激活函数是ReLU,Dropout比率为0.1,BiGRU模块每个方向的隐藏单元数为10。

为了更全面地评估模型质量,采用的评估指标包括均方根误差(root mean square error, RMSE)、决定系数(coefficient of determination,R2)、均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error, MAE)。MAE反映预测值与实际值的平均绝对偏差,MSE和RMSE放大较大误差影响,评估模型对极端天气(如云层突变)的适应性,R2衡量模型对数据方差的解释能力,越接近1则模型拟合能力越强。通过这些指标全面评估模型的预测精度和稳定性。具体公式如下。

MSE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}$
MAE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left|{y}_{i}-{\hat{y}}_{i}\right|$
RMSE=$\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}$
R2=1-$\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}{-\stackrel{-}{y})}^{2}}$

式中:n为样本总数;i为样本索引;yi为第i个样本的真实值;${\hat{y}}_{i}$为预测值;$\stackrel{-}{y}$为平均值;MSE、MAE和RMSE指标的单位均为千瓦(kW)。

3.2 算例Ⅰ

本算例通过消融实验验证各模块的贡献和多策略优化时间通道注意力机制(MSOTCA)相较于传统注意力机制的优越性。为了考察模型在应对气候突变场景下的鲁棒性,使用中国山西省阳高县光伏电站的夏季连续10 d历史功率及气象数据进行实验验证,训练集和测试集比例为7∶3,实验结果如图6和表2所示。

根据图6(a)预测功率曲线和图6(b)模型预测误差曲线可知,IRIME-TCN-MSOTCA-BiGRU (IRTMB)模型在预测功率值方面表现最佳,其预测结果与真实值最为接近。而RTMB和TCN-MSOTCA-BiGRU也表现不错,大部分区间内表现稳定,波动较小,但整体上略逊于IRTMB模型。TCN-SCA-BiGRU和TCN-TCA-BiGRU在大部分区间内表现较好,但在类似于140采样点这种气象突变较大的采样点附近误差较大。BiGRU在所有模型中预测值与真实值差距最大,波动性也最大。

由表2可知,所提基础模型TCN-MSOTCA-BiGRU的MAE为1.605 1、RMSE为3.377 4。两个误差指标较BiGRU模型分别降低30.7%和15%,较TCN-BiGRU模型分别降低22.8%和13.1%。MSOTCA模块较传统多头注意力和自注意力机制(SA/MA)的MAE降低11.9%和17.2%,验证了MSOTCA对特征选择的显著优化作用。模型预测稳定性(RMSE)方面,与有注意力机制的模型相比MSOTCA结构在极端误差抑制上表现最佳,证明其能有效捕捉光伏功率的突变特征,R2接近95.4%表明模型可解释性极高,MSOTCA模块提升了模型对复杂气象条件的适应能力。而TCN-BiGRU模型较基础BiGRU模型两个误差指标分别降低了12.8% 和2.2%。表明了TCN作为核心模块的关键作用。对比RTMB和IRTMB,在只有控制收敛的参数不同时,IRTMB模型较RTMB模型的MAE和RMSE两个误差指标分别降低了3.3%和0.2%。另外IRTMB所求数据集的气象波动指数VI为0.791 2,变异系数为1.582 3,改进霜冰优化算法的动态收敛因子ω为6.977 9。

综上所述,所提的IRIME-TCN-MSOTCA-BIGRU模型性能更优,证明了所提算法和MSOTCA模块对于提升模型预测精度和鲁棒性的有效性。

3.3 算例Ⅱ

光伏功率与太阳辐照度及其他环境变量密切相关,而不同季节与天气类型下这些变量存在显著差异。为验证所提IRIME-TCN-MSOTCA-BiGRU模型在实际工程应用中的季节适应性与天气鲁棒性,实验选取中国山西省阳高县光伏电站的春、夏、秋、冬四季各10 d实测数据,并与Transformer等8种对比模型进行性能评估。各季节数据对应典型天气状况如下:春季光照一般且不稳定;夏季辐照强、云层移动快、天气波动剧烈;秋季光照充足且具有一定波动性;冬季则光照充足且稳定。对于每个季节的数据集,均以前7 d作为训练集、后3 d作为测试集,所得预测结果如表3与图7所示。

根据表3从MAE、MSE、RMSE到R2的全维度评估显示,本文模型在所有季节、所有指标上均稳定优于现有单一预测模型。与TCN-TCA-BiGRU(TTB模型)相比,MAE与MSE的四季平均相对降幅最高分别达到44.9%与59.9%,RMSE 平均降低18.4%,R2再提升 0.001~0.025;与传统 BiLSTM相比,四项误差指标分别实现36%~80%、24%~95%、13%~78%及0.012~0.052的显著增强。尤其在冬季光照稳定条件下,本文模型将RMSE压缩至0.940,相对BiLSTM精度提升77.9%;与Transformer相比,本文模型在MAE、MSE和RMSE上实现四季平均降幅48.6%、61.2%和42.0%,R2平均再提升0.024。其中冬季优势最显著:MAE下降74.4%,RMSE下降73.7%,R2提升0.036。而与Informer、Crossformer和Transformer-BiLSTM (TB)这3个更为先进的对比模型相比,本文模型在一年四季的各项性能指标也明显优于对比模型,实现了四季平均降幅MAE(19.20%~30.02%)和RMSE(9.22%~17.05%)。

上述实验分析表明,本文研究通过模型结构参数优化、多尺度数据特征提取和气象突变检测建模以及改进群智能算法优化等策略,有效克服了Transformer等模型在强季节性与高噪声场景下注意力分散、预测精度不高的问题,显著提升了模型的预测精度与鲁棒性。

根据图7算例Ⅱ模型预测功率曲线图,整体来看,所有模型都呈现与真实值相似的变化趋势,但单一预测模型在面对气象突变场景时预测波动较大,误差较高,而本文模型则表现更优。春季光照较弱且不稳定,如图7(a)为100~200采样点区间,即使是正午时分功率曲线也很低,其余2 d则相对正常。根据图7(a)功率预测曲线来看,单一预测模型在功率曲线峰值时刻都出现了较大预测误差,而组合预测模型则表现良好。夏季和秋季数据波动较大,气象突变频繁,尤其是夏季,功率曲线骤升骤降加剧,模型的预测误差普遍增加,然而本文模型无论是突变的响应速度还是预测的精度相较于传统模型都要更快更准,如图7(b)中130~145和440~460采样点区间。秋季,测试集数据波动较夏季要小,如图7(c)所示,仅在采样点100~200区间呈现出较强的数据波动,其余数据较稳定,故模型的预测误差大幅下降。而从图7(c)的预测功率曲线可知,无论是数据波动较强时还是数据较为平缓时,本文所提模型的预测误差都比其他模型更低。冬季气候相对较稳定,光伏功率数据几乎没有波动,所有模型的预测误差几乎都达到了最小值。而从图7(d)冬季的预测误差曲线可知,本文模型几乎完美拟合了实际功率曲线,仅存在极小的误差。TCN-TCA-BiGRU模型虽表现同样亮眼,但因为没有加入优化策略和优化算法,导致模型的误差曲线波动较大,再次验证了本文模型的有效性。

为了验证本文模型对不同地区、不同类型电站数据的泛化能力,使用中国新疆哈密市光伏电站2019年6月的10 d实测数据作为数据集,与Transformer等模型进行了性能对比实验,得到图7(e)新疆夏季功率预测曲线以及表4模型误差指标统计表。根据图7(e),可知所有模型中,本文模型无论是相对平缓时段还是突变时段表现都最优,与真实值曲线的变化趋势最相近。验证了本文模型对于不同地区、不同类型电站数据的泛化能力同样优秀,各项性能指标都达到了所有对比模型中的最优。

3.4 区间预测实验

为全面评估所提模型及对比基线的预测不确定性量化能力,提升模型在电网调度中的实用性,针对所有预测模型,统一采用90%置信水平进行区间预测对比。在预测区间的构造上,对于具有自身不确定性输出机制的概率预测模型(如Transformer等),使用重复进行50次蒙特卡洛采样获得50组独立预测结果;对于传统的确定性预测模型(如BiLSTM, GRU等)采用增强输入扰动Bootstrap采样同样获得50次预测结果;然后将均值作为点预测,样本差作为不确定性估计。

采用预测区间覆盖概率(prediction interval coverage probability, PICP)和预测区间归一化平均宽度(prediction interval normalized average width, PINAW)两个指标对区间预测性能进行量化,分别衡量真实值落入预测区间内的比例以及预测区间的平均宽度。具体计算公式如下。

PICP=$\frac{1}{N}\stackrel{N}{\sum _{i=1}}$Y
PINAW=$\frac{1}{NR}\stackrel{N}{\sum _{i=1}}$(Ui-Li)

式中:N为测试集的样本总数;Y为真实值位于预测区间内部或外部的指示值,当真实值位于预测区间内时Y为1,否则为 0;Ui和Li 分别为第i个样本的预测区间的上下限;R为真实值的最大值与最小值之差。

根据图8在90%置信水平下模型概率预测性能对比,结合图中PICP和PINAW两项关键指标进行分析。从整体来看,所有参评模型的PICP值均成功收敛至接近90%的目标覆盖水平,Crossformer和BPNN稍差,分别为0.895和0.893。因此,当前模型概率预测能力的主要差异和优劣就体现在PINAW指标上,而本文模型以PINAW=0.124表现最为出色。它在实现90%预测区间覆盖的同时,提供了最窄的平均区间宽度。这表明该模型不仅能准确捕捉未来负荷的变动范围,还能以极高的效率量化不确定性,最小化决策的不确定性裕度。而Transformer-BiLSTM (PINAW=0.135)紧随其后,同样展现了非常优秀的区间紧凑性。其余模型则表现稍差。

综合来看,在寻求最优的电网调度策略时,本文模型无疑具有更大的实用价值。它允许调度员在保持系统可靠性和安全裕度的前提下,对未来负荷进行更精细的判断,从而优化电力资源配置,降低额外的备用容量成本,提升整体经济效益。

4 结论

针对光伏功率超短期预测中气象突变响应滞后、特征权重固化及预测精度不足等问题,提出一种改进霜冰优化算法(IRIME)优化TCN-MSOTCA-BiGRU的混合预测模型。通过在中国山西省阳高县及新疆哈密市两座光伏电站的实测数据进行验证,结果表明所提模型在预测精度、鲁棒性及泛化能力方面均显著优于现有基准模型。具体结论如下。

(1)提出一种多策略协同优化的时间通道注意力机制(MSOTCA)。该机制通过多尺度时间融合捕捉分钟级至日级的波动特征,利用气象突变增强策略量化并强化对云层快速移动等突发事件的响应,并结合残差结构保持原始信息完整性,形成了“感知-响应-保护”的协同框架,有效解决了传统注意力机制在时序突变场景下权重调整滞后的问题。

(2)设计具备气象波动感知能力的IRIME超参数优化算法。通过归一化变异系数将功率序列的波动特性量化为天气波动指数(VI),并动态调整算法收敛因子,使模型在天气剧烈波动时加强全局探索,平稳时侧重局部开发,实现了从数据特性到优化行为的自适应匹配,提升了模型整体收敛效率与稳定性。

(3)所提组合模型有效克服了传统预测框架的局限性。与常见的“分解+特征提取+预测”三段式框架相比,本文模型通过端到端的TCN-MSOTCA-BiGRU结构,在避免信号分解所致模态混叠与高计算开销的同时,显著提升了对长程依赖与突变模式的协同建模能力,实现了预测精度与效率的平衡。

(4)所提模型具备较高的工程实用价值,模型在不同季节、天气及地理区域均表现出优异的综合性能。在阳高电站四季测试中,相较于Transformer模型,本文模型在MAE、MSE和RMSE上平均降幅分别达48.6%、61.2%和42.0%,R2平均提升0.024;在哈密电站的跨区域验证中各项指标仍保持最优,同时所提供的预测区间在覆盖率和宽度之间取得了良好平衡,具备较高的工程实用性与调度参考价值。

本文研究验证了所提方法在提升超短期光伏功率预测精度与鲁棒性方面的有效性。后续工作可进一步拓展至更多气候区、不同装机容量的光伏电站,并在边缘计算设备部署与实时推理加速方面开展深入探索。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

王琦, 马丽. 中国能源转型的空间分异与内生驱动因素[J]. 资源科学, 2024, 46(9): 1709-1722.
[2]

Wang Qi, Ma Li. Spatial differentiation and endogenous driving mechanisms of China’s energy transition[J]. Resources Science, 2024, 46(9): 1709-1722.
[3]

Gupta K A, Singh K R. A review of the state of the art in solar photovoltaic output power forecasting using data-driven models[J]. Electrical Engineering, 2024, 107(4): 1-44.
[4]

陈茜, 白晶, 陈小月, 等. 分布式光伏并网对配电网的影响综述[J]. 科学技术与工程, 2024, 24(27): 11491-11504.
[5]

Chen Qian, Bai Jing, Chen Xiaoyue, et al. Review of the impact of distributed PV grid integration on the power grid[J]. Science Technology and Engineering, 2024, 24(27): 11491-11504.
[6]

Hu Z, Gao Y, Ji S, et al. Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data[J]. Applied Energy, 2024, 359: 122709.
[7]

冯沛儒, 江桂芬, 徐加银, 等. 基于CEEMD-BiLSTM-RFR的短期光伏功率预测[J]. 科学技术与工程, 2024, 24(5): 1955-1962.
[8]

Feng Peiru, Jiang Guifen, Xu Jiayin, et al. Short-term photovoltaic power prediction based on CEEMD-BiLSTM-RFR[J]. Science Technology and Engineering, 2024, 24(5): 1955-1962.
[9]

董存, 王铮, 白捷予, 等. 光伏发电功率超短期预测方法综述[J]. 高电压技术, 2023, 49(7): 2938-2951.
[10]

Dong Cun, Wang Zheng, Bai Jieyu, et al. Review of ultra-short-term forecasting methods for photovoltaic power generation[J]. High Voltage Engineering, 2023, 49(7): 2938-2951.
[11]

郑晓亮, 王虎. 基于相似日聚类组合模型的短期光伏发电功率预测[J]. 科学技术与工程, 2025, 25(27): 11632-11641.
[12]

Zheng Xiaoliang, Wang Hu. Short term photovoltaic power generation prediction based on similar day clustering combination model[J]. Science Technology and Engineering, 2025, 25(27): 11632-11641.
[13]

王东风, 李青博, 张博洋, 等. 考虑季节性与趋势特征的光伏功率预测模型研究[J]. 太阳能学报, 2025, 46(3): 348-356.
[14]

Wang Dongfeng, Li Qingbo, Zhang Boyang, et al. research on photovoltaic power prediction model considering seasonality and trend characteristics[J]. Acta Energiae Solaris Sinica, 2025, 46(3): 348-356.
[15]

陈思宇, 蒋俊霞, 李帅兵. 极端气候条件下光伏发电功率预测方法综述[J]. 电气工程学报, 2025, 20(1): 281-290.
[16]

Chen Siyu, Jiang Junxia, Li Shuaibing. Review of photovoltaic power prediction methods under extreme climate conditions[J]. Journal of Electrical Engineering, 2025, 20(1): 281-290.
[17]

阮广春, 何一鎏, 谭振飞, 等. 面向新型电力系统运行的数据-物理融合建模综述[J]. 中国电机工程学报, 2024, 44(13): 5021-5037.
[18]

Ruan Guangchun, He Yiliu, Tan Zhenfei, et al. Review of hybrid data-driven and physics-based modeling for the operation of new-type power systems[J]. Proceedings of the CSEE, 2024, 44(13): 5021-5037.
[19]

Casanova H R, Conde A, Pérez S C. Hour-ahead photovoltaic power prediction combining BiLSTM and bayesian optimization algorithm, with bootstrap resampling for interval predictions[J]. Sensors, 2024, 24(3): 882.
[20]

Liu M, Wang X, Zhong Z. Ultra-short-term photovoltaic power prediction based on BiLSTM with wavelet decomposition and dual attention mechanism[J]. Electronics, 2025, 14(2): 306.
[21]

Shi Y, Zhang L, Wang S, et al. A short-term photovoltaic power interval forecasting method based on fuzzy granular computing and CNN-BiGRU[J]. International Journal of Low-Carbon Technologies, 2024, 19: 306-314.
[22]

Wang J, Jia M, Li S, et al. Short-term power-generation prediction of high humidity island photovoltaic power station based on a deep hybrid model[J]. Sustainability, 2024, 16(7): 2853.
[23]

蔡源, 吴浩, 唐丹. 基于特征挖掘与改进 TCN-BiGRU 的光伏功率区间概率预测[J]. 科学技术与工程, 2025, 25(10): 4145-4155.
[24]

Cai Yuan, Wu Hao, Tang Dan. Probabilistic prediction of photovoltaic power interval based on feature mining and improved TCN-BiGRU[J]. Science Technology and Engineering, 2025, 25(10): 4145-4155.
[25]

罗潇远, 刘杰, 杨斌, 等. 基于改进鱼鹰优化算法与VMD-LSTM的超短期风电功率预测[J]. 太阳能学报, 2025, 46(3): 652-660.
[26]

Luo Xiaoyuan, Liu Jie, Yang Bin, et al. Ultra short-term wind power prediction based on improved osprey optimization algorithm and VMD-LSTM[J]. Acta Energiae Solaris Sinica, 2025, 46(3): 652-660.
[27]

Zhou N, Shang B, Zhang J, et al. Research on prediction method of photovoltaic power generation based on transformer model[J]. Frontiers in Energy Research, 2024, 12: 1452173.
[28]

Quan R, Qiu Z, Wan H, et al. Dung beetle optimization algorithm-based hybrid deep learning model for ultra-short-term PV power prediction[J]. iScience, 2024, 27(11): 111126.
[29]

Dai Y, Wang Y, Chen Y, et al. Combining meteorological and power information of station-measurement and model-prediction with the hybrid CNN-Transformer and CNN-BiLSTM for ultra-short-term photovoltaic power forecasting[J]. International Journal of Electrical Power and Energy Systems, 2025, 171: 111009.
[30]

Mahdi S M, Michela L. High-resolution PV power prediction model based on the deep learning and attention mechanism[J]. Sustainable Energy, Grids and Networks, 2023, 34: 101025.
[31]

周文, 高强, 毛泽民. 基于改进的AT-QRCNN-BiLSTM模型的多变量时序短期光伏功率区间预测研究[J]. 电工技术, 2024(22): 72-79.
[32]

Zhou Wen, Gao Qiang, Mao Zemin, et al. Multivariable time-sequential short-term photovoltaic power interval prediction based on improved AT-QRCNN-BiLSTM model[J]. Electric Engineering, 2024(22): 72-79.
[33]

Chen L, Zhang H, Xiao J, et al. SCA-CNN: spatial and channel-wise attention in convolutional networks for image captioning[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA: IEEE, 2017: 6298-6306.
[34]

Hang S, Dong Z, Asghar A H, et al. RIME: a physics-based optimization[J]. Neurocomputing, 2023, 532: 183-214.

基金资助

国家自然科学基金(61640014)

贵州省科技支撑计划(黔科合支撑[2023]一般411)

贵州省科技支撑计划(黔科合支撑[2023]一般412)

贵州省科技支撑计划(黔科合支撑[2024]一般051)

贵州省科技支撑计划(黔科合支撑[2025]一般008)

贵州省科技支撑计划(黔科合成果-LH[2024]重大028)

贵州省科技支撑计划(黔科合成果-LH[2025]重点009)

贵州省科技支撑计划(黔科合基础MS[2025]596)

贵州省教育厅工程研究中心(黔教技[2022]043)

中国电建集团科技项目(DJ-ZDXM-2022-44)

PDF (13803KB)

50

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录