热能动力工程

作者：欧阳旭文

单位：东华理工大学,

关键词：光伏发电功率预测;FCM聚类;麻雀搜索算法;变分模态分解;自适应噪声集合经验模态分解;双向门控循环神经网络

基金：国家自然科学基金(12165001)；江西省新能源工艺及装备工程技术研究中心2022年度开放基金（JXNE2022-06）；2024 年江西省普通本科高校教育教学改革研究课题（JXJG-24-23-18）

为提升传统光伏功率预测方法的精度，提出一种由模糊C均值聚类（FCM）、麻雀搜索算法(SSA)、变分模态分解(VMD)、自适应噪声集合经验模态分解(CEEMDAN)和双向门控循环神经网络(BiGRU)耦合的短期光伏发电功率预测模型。首先根据皮尔逊相关系数筛选出数据集中影响光伏发电功率的关键因素，再通过FCM聚类将具有相似气象特征的数据划分为3类天气数据集，降低光伏数据的复杂度；其次通过SSA分别优化VMD和CEEMDAN两步分解，使其能够分别自适应分解聚类后的光伏功率数据，获取光伏功率信号的频率特征；最后将二次分解后的各子序列输入由SSA优化超参数的BiGRU神经网络中分别预测，将预测完成后的子序列按照时序叠加，得到最终的预测结果。模型在澳大利亚DKASC的光伏发电站Alice Springs中分布式站点10.5kW子阵的气象条件与功率数据集上进行验证，通过实验证明，本文提出的模型在不同气象条件聚类下能够准确捕捉数据的频率特征，预测结果的决定系数在不同气象条件下均高于0.96，说明在短期光伏发电功率预测中该模型具有较高的精确度和适用性能。

来源：2026年第4期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2026年第4期