基于鲸鱼优化和并联深度学习模型的光伏功率超短期预测

对光伏发电功率进行准确的预测可以为制定调度计划提供参考,降低光伏发电随机性、波动性等特性产生的负面影响,提高并网时电网运行的稳定性和可靠性。为提高预测精度,提出一种相似日聚类、多模式分解、多支路多通道输入的深度学习模型和鲸鱼优化相结合的预测方法,用于不同天气类型的超短期光伏发电功率预测。首先,对光伏发电功率与各天气变量之间进行双相关性分析,筛选出重要天气变量,根据双相关性的结果构造日特征向量,使用围绕中心点划分(Partitioning around medoids,PAM)实现相似日聚类;然后,使用完全集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、奇异谱分解(Singular spectrum decomposition,SSD)和变分模态分解(Variational modal decomposition,VMD)对重要天气变量与光伏发电功率进行多重分解,得到多尺度、信息互补的多通道空间特征矩阵,并由同时间段的原始序列得到多通道时序特征矩阵;最后,基于并联卷积神经网络(Parallel convolutional neural networks,PCNN)、双向长短期记忆网络(Bidirectional long short-term memory network,BiLSTM)建立并联多通道输入(Parallel multichannel input,PMCI)的组合深度学习预测模型(PMCI-PCNN-BiLSTM),通过鲸鱼优化算法(Whale optimization algorithm,WOA)对组合预测模型进行参数寻优,以多通道空间特征矩阵、多通道时序特征矩阵作为PCNN模块的输入、BiLSTM模块的输入,将提取到的空间特征与时序特征融合后作为BiLSTM预测模块的输入,在双向时空分析的基础上得到最终预测结果。经过实验验证,提出的组合预测方法对超短期光伏发电功率预测具有较好的预测稳定性和精度。