1.引言

光伏发电（PV）最近已成为传统电力生产形式（如化石燃料发电）的重要替代品。在传统能源中，电力生产可以简单地管理。但光伏发电对太阳辐射的变化以及当地环境的其他因素非常敏感，因此，将光伏电力整合到电网中是一项重大挑战。因此，精确的光伏发电预测对于（1）将光伏功率集成到电网中，（2）在电力市场上销售光伏电力，以及（3）规划光伏电站维护都至关重要。

目前光伏发电预测技术可分为：（1）物理方法，依赖卫星/航天图像或数值天气预报（NWP），处理后将其输出转换为光伏发电量，以及（2）数据驱动的方法，将光伏电站的输出与外部因素联系起来。在第一类中，建模过程需要收集大量数据，并执行几项复杂的分析，来估计物理模型的参数，这限制了其在现实世界中的适用性。另一方面，由于近年来数据挖掘、机器学习和深度学习方法的快速增长，数据驱动方法在光伏发电预测中得到了广泛的应用。

数据驱动方法又可以分为三个子类：线性、非线性和混合模型。线性模型是这些类别中最简单的一种，最著名的线性预测模型包括自回归（AR）、自回归综合移动平均（ARIMA）和自回归移动平均外推（ARMAX）。研究表明，线性预测模型通常可以提供可靠的结果。

但很明显，光伏发电不是线性的。因此，大多数学者正集中于非线性预测模型研究。极限学习机、模糊系统、k-最近邻、支持向量机及其杂交在当前的PV预测文献中占据主导地位。

单一模型的行为并不能更精确地预测光伏在各种情况下的发电量。对这一问题的一种可能解释是，独立方法存在某些缺点。在这种情况下，理想的解决方案是混合模型，它结合了两种或多种方法。

混合模型已被用于许多预测应用，以提高准确性。这些模型的关键目标之一是研究不同模型的各种组合，以提高预测精度。通过分别使用每种模型的优点，混合模型可以提高预测性能。与独立模型相比，使用混合模型解决光伏功率预测问题显示出了优异的性能。时间序列预测的混合方法最近已经发展成为一个活跃的研究领域，它使用了不同的技术，如元启发式算法、稀疏表示理论和分解集成学习方法。

PV和其他短期预测领域的一种趋势技术是使用深度学习技术。深度学习技术是一种复杂而先进的机器学习方法。它可以从光伏发电时间序列中获得深层信息，并产生比其他传统模型更高的预测结果。研究表明，DL模型的性能比传统预测方法好38%。

本文对五种不同的模型进行了独立研究，然后将其组合用于短期光伏发电量预测的混合模型，其中使用一维CNN模型作为回归器，因为它能够从提供的输入数据中提取更多相关特征。

2.研究区

本研究中使用了阿尔及利亚三个不同地点安装的三个光伏发电站的数据，涵盖了不同的气候条件，各电站的地理位置见图1。Lahgouat、Ghardaa和Sidi Bel Abbes的光伏太阳能发电厂分别于2015/2016年4月投入使用，可产生400兆瓦的电力。

3.方法

本文提出IF-VMD-FSRA-CNN组合预测模型的主要配置如图2所示。包括下面几个阶段：

步骤1：收集和分析光伏发电数据，以生成训练和测试集。训练集用于模型调优（超参数设置），而测试集用于模型评估。

步骤2：使用分解技术，将训练集和测试集划分为不同数量的IMF元素。使用这些分解方法可以有效地利用实际数据的非线性和非平稳特性。

步骤3：分别使用每种分解方法进行光伏发电预测，然后将其融合以提高预测精度。

步骤4：使用特征选择技术来识别和排序光伏功率预测中最重要的IMF分量。

步骤5：将识别出的IMF序列作为输入变量，用于训练深度CNN预测模型。

步骤6：利用完全训练好的CNN模型来评估测试数据集的预测效率。

步骤7：检查调查结果，并评估所考虑的三个电网连接的有效性。

该综合方法旨在提取光伏发电中出现的各种特征。特别是，分解策略被用来处理数据的非平稳性。然后使用特征选择方法去除噪声和不必要的IMF分量。然后使用非线性CNN模型对光伏发电输出进行建模。

4.结果与讨论

4.1混合模型与独立模型结果对比

光伏发电及其先前具有最佳滞后识别的分解元素是本工作中训练监督分解深度学习方法的目标输出。为了验证综合模型的预测能力，将混合方法与独立模型（GPR、LS-SVM、ELM）进行了比较。

从结果看，混合方法在统计精度方面大大超过了基本模型。所有分解技术产生的nRMSE误差都小于10%，而单个模型的nRMSE在22%到39%之间。

图3显示了研究区域晴天和阴天模式下的实际和估计光伏发电量。从光伏功率预测的比较中可以看出，独立模型（GPR、ELM和LS-SVM模型）的预测光伏发电曲线，在不同天气条件下，光伏发电的真实值和建模值之间存在显著差距。而混合模型的结果优于独立模型。五个开发的混合模型的预测趋势与实际数据一致。VMD-CNN模型和IF-CNN模型比基准模型更能准确地匹配实际光伏发电的趋势和特征。

4.2 如何缩减模型的训练时间

有效的光伏功率预测算法不应耗时；然而，深度学习模型在训练阶段需要时间。如果采用大量相似的多尺度样本，训练深度CNN模型可能需要很长时间。

为解决这一问题，使用正向逐步回归算法（FSRA）来选择最合适的IMF输入进行光伏发电预测。识别最重要的IMF输入的主要目的是消除冗余特征，从而降低计算成本和模型复杂性。在特征选择过程中，通过经验建立了批准和拒绝特征之间的阈值。开发的模型通过连续包含下一个基本IMF元素而获得的顺序特征集进行评估和训练。

在三个光伏电站中，对比具有所有IMF元素的IF-VMD-CNN模型和才用FSRA的IF-VMD-FSRA-CNN模型。结果发现FSRA算法在最小化训练我们的深度神经网络模型所需的IMF输入量方面非常有用，同时保持了光伏发电输出的预测质量。

4.3局限性

我们的模型在预测光伏发电方面显示出相当大的潜力，但也遇到了一些挑战。包括对数据质量的依赖、使用小数据集时过拟合的倾向、对其对各种地理位置和光伏系统类型的适应性的质疑，以及由于其复杂性而需要大量的计算资源。

在这项研究中，我们的重点主要放在三个地区，受到数据可用性的限制。未来的研究必须扩大其范围，以包括具有不同天气条件的其他地区，特别是容易多云的地区。研究不同气候条件下不同光伏电池板技术的功效，可以揭示预测模型在不同环境设置下的多功能性和有效性。

5.结论

本研究提出了一种预测方法VMD-IF-FSRA-CNN，用于提前15-30分钟处理光伏发电的动态变化。研究结果表明，VMD-IF-FSRA-CNN模型优于最先进的技术，对光伏发电的短期预测具有很高的预测精度。在没有气候数据的情况下，本研究使用很少的历史光伏电站数据作为模型输入，预测了光伏发电量。

未来，可以探索更复杂的深度学习方法，结合天空成像仪数据进行光伏发电预测，从而增强模型。通过结合对天空的详细视觉观测，提高预测模型的准确性和适应性。这些不仅将完善太阳辐照度预测，还将扩大模型在不同地理位置和环境条件下的适用性。