基于SMD与WaOA-CNN-LSTM的短期光伏功率预测

针对当前光伏功率预测模型所面临因数据的复杂性、信号处理过程的噪声干扰、非线性特征难以提取等问题而导致的预测精度低、稳定性差等多方面挑战,提出了一种融合二次模态分解(SMD)和基于海象算法(WaOA)优化CNN-LSTM神经网络的组合预测模型。首先,利用完全自适应噪声集合经验模态分解(CEEMDAN)对光伏数据进行分解,并结合K均值聚类算法(K-means)将多个子序列重构成低频、中频以及高频序列;其次,将含有残余噪声的高频序列采用变分模态分解(VMD)进行二次分解处理;最后,对各分量分别构建CNN-LSTM模型,并利用WaOA算法对网络参数进行寻优,将各分量的预测结果进行叠加,得到最终预测结果。SMD处理方法解决了传统数据处理方法模态混叠、低频分量过多和高频分量噪声残余等问题,CNN-LSTM模型能够捕捉数据中的空间关系和长期依赖关系,WaOA算法对模型参数的优化提高了模型的性能和效率。选取陕西某地光伏电站数据进行测试,通过多组对比实验进行验证,结果表明:所提方法具有更高的预测精度。