基于新型相似日選取和VMD-NGO-BiGRU 的短期光伏功率預測

王瑞，張璐婷，逯靜

（河南理工大學 計算機科學與技術學院，河南 焦作 454000）

太陽能是可再生能源中最豐富、發展潛力最大的清潔能源，其開發與利用已經成為我國能源結構調整的重要方向［1］.光伏發電具有間歇性、隨機性和波動性，由此給電網的安全運行帶來了一系列問題，受到了各界的廣泛關注［2-3］.隨著新型電力系統建立，電網建設滯后于光伏電力的生產，“棄光”、“限電”問題加重，可能降低原始數據在預測模型中的可信度，從而進一步增加短期的預測難度［4］.在“碳達峰”“碳中和”的戰略背景下，我國電力結構清潔化趨勢將更加凸顯［5］，光伏并網對電網的影響也越來越顯著.開展光伏發電功率超短期預測，能有效降低光伏出力不確定性給電網帶來的影響，提高光伏發電系統的可靠性［6］.

預測光伏功率的方法多種多樣，葉林等［7］基于氣象因素與光伏功率波動特征的關聯性，將天氣過程劃分為5 種類型，并基于變分模態分解算法，將光伏功率分解為類晴空過程和波動過程，構建的預測模型提高了光伏功率預測準確性，驗證了對天氣進行劃分的有效性.張金金等［8］通過模糊C均值聚類算法對數據進行聚類，獲得較好的數據分類結果，但未考慮氣象因素的影響.王福忠等［9］提出在第一階段采用變分模態分解（VMD）分解原始功率并建立LSTM 模型進行預測，第二階段對誤差序列進行誤差補償預測，與上一階段預測結果疊加，得到最終預測結果.孟安波等［10］考慮到不同天氣因素影響，通過加權模糊聚類對天氣類型進行劃分，篩選相似日數據集，采用縱橫交叉算法優化改進的高斯過程回歸模型的超參數，對光伏功率進行預測.楊國華等［11］采用模糊C 均值聚類算法選取相似日，結合灰狼優化算法優化小波包神經網絡和AdaBoost 算法，建立預測模型.

基于上述分析，雖然預測精度和效率與早期的預測模型相比有了很大的突破，但在處理不同氣候條件時，光伏功率預測模型的預測性能和魯棒性仍然存在不足.為了從大量數據中選取與預測日相似的歷史日，以及考慮到相關性越強的影響因素對于光伏功率預測結果影響越大，本文提出一種基于相似日選取，結合利用北方蒼鷹優化算法優化BiGRU參數的混合預測模型.首先，通過斯皮爾曼相關系數法篩選出影響最大的氣象因子，通過VMD 分解將原始光伏功率和影響最大的氣象因子分解重構為一系列子信號；其次，將氣象因子分解后的分量重構，并對影響因素重新定義，根據構建新的評價指標篩選出相似日數據集；然后利用一組BiGRU，建立以相似日子信號為網絡輸入的深度學習模型，并利用NGO對每個BiGRU 網絡的超參數進行有效優化.最后通過算例仿真，證明了該模型的有效性.

1 算法原理

1.1 光伏發電功率影響因素

光伏功率主要受到輻照度、環境溫度、濕度、氣壓等多種氣象因素影響［12］，不同的氣象因素對光伏發電功率的影響程度也不同.對影響光伏發電的變量進行相關性分析，篩選出主要特征.

通常采用的皮爾遜相關系數需要滿足正態分布，但是對于波動性比較強的光伏發電功率，大多數影響因素并不符合正態分布.圖1 是光伏功率的概率密度分布圖，圖中概率密度曲線為非正態分布，因此斯皮爾曼相關系數是相對較好的選擇.斯皮爾曼相關系數的定義如下：

式中：di表示第i個數據對應的位次值之差，n表示總的觀測樣本數.

斯皮爾曼相關系數可以衡量兩個變量之間的相關性，它將數據按序給出等級，若有數據數值相同時，則將計算數值等級的平均值作為等級數.同理，計算另一組數據的等級排序，得到等級大小，之后計算兩組數據等級差，代入式（1），即可得出相關系數，可以方便應用于非正態性的數據.

本文選取2022 年江蘇某光伏電站實際數據進行相關性分析，影響因素有總輻射、散射輻射、環境溫度、氣壓以及濕度.根據斯皮爾曼相關系數計算出各因素與光伏功率的相關系數.具體數據如表1所示.

表1 各因素與功率的斯皮爾曼相關系數Tab.1 Spearman correlation coefficient between various factors and power

1.2 變分模態分解

VMD 為避免信號分解過程中出現模態混疊，在計算本征模態分量時舍棄了傳統信號分解算法所使用的遞歸求解的思想，采用完全非遞歸的模態分解.與傳統信號分解算法相比，VMD 擁有非遞歸求解和自主選擇模態個數的優點，其核心思想是構建和求解變分問題［13］.

1）構建變分約束模型：

式中：f(t)為原始功率信號；uk為各分量；ωk為各分量對應中心頻率；δ(t)為脈沖信號.

2）通過引入拉格朗日算子λ和二次懲罰因子α，求解約束變分問題：

對各分量uk及ωk通過交替方向乘子法交替更新，完成分解.

式中：n為迭代次數分別代表f(t)、u(t)、λ(t)的傅里葉變換.

1.3 雙向門控循環單元

BiGRU 模型采用了循環神經網絡（RNN）的結構，其中每個RNN 單元都是由一對門控循環單元（Gated Recurrent Unit，GRU）組成.與長短期記憶網絡（Long Short-Term Memory，LSTM）相比，GRU 不僅減少了網絡參數，而且保持了LSTM 的良好性能［14］.GRU的結構如圖2所示，計算公式如下：

圖2 GRU網絡結構圖Fig.2 GRU network structure diagram

式中，rt、zt表示重置門和更新門；σ為Sigmoid 激活函數；W和U表示權 重矩陣；表示中 間記憶狀態；φ(·)表示非線性激活函數；?表示哈達馬積；ht-1表示上一時刻的隱藏狀態信息；xt表示輸入序列中的第t個元素.

BiGRU 由兩個方向相反的GRU 組成［15］，在本模型中采用單層BiGRU.在BiGRU 模型中，輸入序列首先被分別輸入到兩個方向的RNN 中.每個神經網絡都包含一個隱藏層，用于存儲序列中的信息.在前向RNN中，輸入序列從左到右進行處理，每個時間步的輸出結果都會被傳遞到下一個時間步.在后向RNN中，輸入序列從右到左進行處理，每個時間步的輸出結果也會被傳遞到下一個時間步.這樣，每個元素在正向和反向的GRU 中都被處理了一次，以提取更全面的特征信息.BiGRU結構如圖3所示.

圖3 BiGRU網絡模型Fig.3 BiGRU network model

BiGRU的計算公式如下：

式中：GRU(·)表示門控循環單元；xt為輸入；分別為前向和后向隱藏層輸出狀態；αt和βt分別表示前向和后向隱藏層的輸出權重；表示前向隱藏狀態在前一個時刻的隱藏狀態；表示后向隱藏狀態在后一個時刻的隱藏狀態；bt為偏置值.

1.4 北方蒼鷹算法

北方蒼鷹優化算法于2022 年提出，該算法模擬了北方蒼鷹在捕獵過程中的行為，具體包括獵物識別與攻擊、追逐及逃生等行為.北方蒼鷹優化算法可包含兩個階段［16］：第一階段，在識別出獵物后，它以高速向獵物移動攻擊；在第二階段，追逐獵取獵物.

1.4.1 初始化

初始化種群.以下矩陣代表的是北方蒼鷹的種群數量矩陣：

式中：X為北方蒼鷹的種群矩陣；Xi為第i個北方蒼鷹的位置；xi，j為第i個北方蒼鷹的第j維的位置；N為北方蒼鷹的種群數量；m為求解問題的維度.

在北方蒼鷹優化算法中，求解問題的目標函數可以用來計算北方蒼鷹的目標函數值，表示如下：

式中：F為北方蒼鷹種群的目標函數向量；Fi為第i個北方蒼鷹的目標函數值.

1.4.2 識別獵物及攻擊獵物

北方蒼鷹在捕獵的第一階段是隨機選擇一個獵物，并進行攻擊.由于在搜索空間中對獵物的選擇是隨機的，因此這一階段增強了NGO算法的勘探能力.該階段對搜索空間進行全局搜索，以確定最優區域.在這一階段，北方蒼鷹進行獵物選擇和攻擊的行為，用式（12）～（14）描述：

式中：Pi為第i個北方蒼鷹的獵物的位置；FPi為第i個北方蒼鷹的獵物的位置的目標函數值；k是［1，N］范圍內的隨機整數為第i個北方蒼鷹的新位置；為第i個北方蒼鷹的第j維的新位置為基于第一階段更新后第i個北方蒼鷹的目標函數值；r是［0，1］范圍內的隨機數；I為1或2的隨機整數.

1.4.3 追逐及逃生

獵物受到北方蒼鷹攻擊會試圖逃跑.因此，在追逐獵物的收尾過程中，北方蒼鷹需要繼續追逐獵物.北方蒼鷹高速追擊并抓捕獵物行為的模擬，提高了算法的局部搜索能力.假設這種狩獵活動接近于一個半徑為R的攻擊位置.在第二階段中，用式（15）～式（17）描述：

2 基于灰色關聯度的相似日選取

2.1 灰色關聯度

由于不同氣象因素對光伏功率的影響程度不同，在構建新的綜合評價指標時，應該對影響程度更大的氣象因素賦予更大的權重.而灰色關聯度就是一種有效確定權重的方法［17］.

灰色關聯度是基于各因素之間發展趨勢的相似性和差異性，為衡量各因素之間的關聯程度提供一種定量的度量.樣本量多少、有無規律它都同樣適用，而且計算量小，非常方便，并且量化結果與定性分析結果之間不會出現不一致的情況.定義關聯系數為

式中：ρ為分辨系數，取0.5；min min 是兩級最小差，max max 是兩級最大差；x0k代表第k個時刻光伏功率序列的值，xik表示第k個時刻各個影響因素的值.

具體計算過程如下：

1）原始數據歸一化處理.

2）求絕對差值矩陣.將高頻分量、低頻分量和復合天氣因素與原始功率序列相應的元素做差后取絕對值，形成絕對差值矩陣.

3）求矩陣關聯系數.

式中：Δmin與Δmax分別為絕對差值矩陣Δ的最小值與最大值.

4）計算關聯度.根據關聯系數確定關聯度，即

式中：ri表示第i個影響因素與功率的關聯度.

2.2 相似日的選取

首先，通過斯皮爾曼相關系數得到各天氣因素與功率的相關系數，將相關系數最大的因素通過VMD 分解成多個分量.其次，熵值表示序列的復雜程度，熵值越高代表序列越復雜，熵值越低代表序列越緊湊［18］.本文使用排列熵對最大影響因素分解的分量進行劃分，并將熵值大于0.6 的劃分為高頻分量，熵值小于0.6 的劃分為低頻分量，將剩余天氣因素組合在一起構成復合天氣因素.

考慮高頻分量、低頻分量和復合天氣因素對原始功率的影響程度不同，計算各因素與功率的灰色關聯度，對影響功率更大的因素賦予更大的權重.將各個影響因素的結果進行加權得到最終結果.

由式（22）求出m個影響因素與原始功率之間的關聯度r1，r2，…，rm，確定權重為

式中w1，w2，w3為權重，HFi為高頻分量，LFi為低頻分量，CIFi為復合天氣因素，Ri為綜合評價指數值.

計算出綜合評價指標Ri的值，并將Ri由大到小排序得到相似日；本文選取前20 天的數據作為相似日數據集.

3 光伏功率預測模型

3.1 NGO優化BiGRU模型

為提升BiGRU 模型的預測精度，本文利用北方蒼鷹算法對BiGRU 的超參數進行優化.考慮到學習率過低會使學習速度太慢，而學習率過高又很難收斂，因此采用LearningRateScheduler 調度器，對學習率進行動態設置，學習率設置在［0.001，0.01］.NGO算法同時優化了BiGRU 的神經元個數和batch_size，神經元個數設置在［10，100］，batch_size 設置在［20，50］.相關參數具體設置如表2 所示，優化流程如圖4所示.對預測模型的基體優化過程如下：

表2 參數設置Tab.2 Parameter settings

圖4 NGO優化BiGRU流程圖Fig.4 NGO optimization BiGRU flowchart

1）初始化北方蒼鷹的種群數目和位置，并計算北方蒼鷹的目標函數值；

2）首先對搜索空間進行全局搜索，確定最優區域.隨機選取獵物，通過式（12）計算獵物的位置，再由式（13）計算第一階段北方蒼鷹的位置；

3）判斷北方蒼鷹是否攻擊獵物.若沒有攻擊則由式（13）繼續更新北方蒼鷹的位置；若對獵物發動攻擊則由式（14）更新北方蒼鷹的位置并跳出循環，進入第二階段；

4）第二階段北方蒼鷹對獵物進行追逐和抓捕.由式（15）和式（16）計算第二階段北方蒼鷹的位置；

5）判斷是否抓獲獵物，若沒有抓獲獵物，則繼續更新第二階段北方蒼鷹的位置；若抓獲獵物，則輸出北方蒼鷹位置，即輸出最優參數.

3.2 基于相似日選取和VMD-NGO-BiGRU 的短期光伏功率預測

基于相似日選取和VMD-NGO-BiGRU 的短期光伏發電功率預測流程如圖5所示，具體步驟如下：

圖5 預測模型流程圖Fig.5 Flow chart of this prediction model

1）利用斯皮爾曼相關系數選出主要的氣象因素；

2）VMD 分解原始功率和影響最大的氣象因素，并將影響最大的氣象因素的分量通過排列熵劃分為高頻分量（HF）和低頻分量（LF）；

3）將其它較不重要的氣象因素表示為復合氣象因子（CIF），構建新的綜合評價指數，計算各因素與功率之間的灰色關聯度ri，得到權重wi，使用 式（24）計算Ri的值，并將Ri由大到小排序得到相似日；

4）將分解后的原始功率序列的子分量分別輸入經NGO優化的BiGRU網絡模型中進行訓練；

5）將各分量的預測結果進行疊加重構，得到最終預測結果.

為驗證本文所提方法的有效性，采用三種評價指標對預測模型進行評價.分別是均方根誤差（root mean square error，RMSE）、平均絕對誤差（mean absolute error，MAE）和平均絕對百分比誤差（mean absolute percentage Error，MAPE），具體公式如下：

4 算例分析

本文選取2022 年江蘇某光伏電站一整年的數據進行分析.將天氣劃分為三種天氣類型：晴天、陰天和雨天.每種天氣類型都由綜合評價指數選取前20 天的相似日作為數據集，其中前18 天作為訓練數據，剩余2 天作為測試數據.每日選取數據時間為 7∶00～18∶45，每隔15 min 記錄一次，一天共有48 條數據.為驗證不同天氣類型下相似日的效果，選取2022 年8 月26 日（晴天）、2022 年8 月29 日（陰天）和2022 年9 月20 日（雨天）三天為待預測日進行實例分析.

4.1 VMD分解結果

VMD 有兩個重要的參數分解個數k和懲罰因子α，分解個數過大會造成過擬合，分解個數過小不能提取出有效信息，因此分解個數的選取要適中.以功率分解為例，如表3 所示，觀察中心頻率可得，當k=6時IMF3 和IMF4 比較相近；當k=7 時IMF4 和IMF5 比較相近，由于中心頻率相近會產生模態混疊現象，不利于信息的提取，因此分解個數為5 比較適當.同理可得總輻射分解個數應為6.VMD分解相似日功率和總輻射的結果分別如圖6和圖7所示.

表3 不同k值下分解相似日功率的中心頻率Tab.3 The center frequency of decomposed similar daily power under different k values

圖6 VMD分解相似日功率Fig.6 VMD decomposition similar daily power

圖7 VMD分解總輻射Fig.7 VMD decomposition total radiation

4.2 相似日的選取結果

重構VMD 分解總輻射的分量，將熵值小于0.6的劃分為低頻分量，大于0.6 的劃分為高頻分量.由表4 可知，將IMF2 和IMF3 重構劃分為低頻分量，剩余分量重構為高頻分量.其余天氣影響因素則通過歸一化處理，加和求平均重構為復合天氣因素.

表4 VMD分解總輻射的分量熵值Tab.4 Component entropy value of VMD decomposition total radiation

本文旨在通過計算灰色關聯度的值進行權重的分配，由式（22）計算出低頻分量、高頻分量和復合天氣因素與功率的灰色關聯度，如表5 所示.由式（23）計算出各影響因素的權重如表6所示.

表6 各影響因素的權重Tab.6 Weights of various influencing factors

以2022 年8 月26 日（晴天）為例，通過構建新的綜合評價指數Ri，由式（24）計算出Ri的值并以降序排列的方式，篩選出前20 天的相似日，前20 天相似日的綜合評價指數值如表7所示.

表7 相似日綜合評價指數Tab.7 Comprehensive evaluation index for similar days

為了驗證選取的相似日與待預測日是否具有相似性，繪制如圖8 所示的20 個相似日與待預測日的功率趨勢圖.圖中虛線代表的是待預測日的功率曲線，由圖可知所選取的20 個相似日功率曲線的趨勢與待預測日基本保持一致，驗證了所提方法選取相似日的有效性.

圖8 相似日與待預測日的功率趨勢圖Fig.8 Power trend graph of similar day and day to be predicted

4.3 優化算法結果對比

為檢驗NGO 優化算法的性能，將NGO 優化算法與粒子群算法（Particle Swarm Algorithm，PSO）和鯨魚優化算法（Whale Optimization Algorithm，WOA）進行對比.設置PSO 個體最優系數c1=1.0，全局最優系數c2=1.5，慣性系數w=0.8.初始化設置三種優化算法的種群數量為30，迭代次數設置為50.從圖9 可以看出，PSO 算法雖然收斂速度相對較快，但在三種優化算法中，適應度值最大，尋優能力最差；WOA 算法是三種優化算法中收斂速度最慢的，適應度值相對于PSO 較小，尋優能力次之；NGO 算法在三種優化算法中收斂速度是最快的，適應度值也是最小的，尋優能力最強.

圖9 優化算法迭代圖Fig.9 Optimization algorithm iteration diagram

4.4 整體預測結果對比

本文從單一模型和組合模型兩個方向進行實例驗證，逐步驗證在不同天氣類型下所提方法的有效性.選用的數據集是通過綜合評價指數選取的與待預測日相似的前20天的數據.

在單一模型預測中，選取極限學習機（Extreme Learning Machine，ELM）、BP 神經網絡（Back Propagation，BP）、支持向量回歸（Support Vector Regression，SVR）、LSTM 和BiGRU 五種網絡模型進行對比試驗.由圖10 可知，在不同天氣類型下，BiGRU 模型預測值與真實值的擬合程度更好，三種誤差均是最小的.由表8 可知，在晴天情況下，BiGRU 模型的RMSE、MAE 和MAPE 比LSTM 分別提升了12.29%、19.93%和2.11%；在陰天情況下，BiGRU 模型的RMSE、MAE和MAPE 比LSTM 分別提升了6.08%、13.78% 和10.47%；在雨天情況下，BiGRU 模型的RMSE、MAE和MAPE 比LSTM 分別提升了6.37%、29.02% 和19.31%.說明篩選過相似日后，使用BiGRU 模型進行功率預測效果會更好.

表8 單一模型評價指標Tab.8 Single model evaluation index

圖10 單一模型不同天氣類型下預測結果對比Fig.10 Comparison of forecast results of single model under different weather types

在組合模型預測中，選取NGO-BiGRU（方法1）與本文方法進行對比，證明對原始功率分解能夠更大限度地提升模型的預測精度；為驗證NGO 算法的優越性，將本文方法與VMD-PSO-BiGRU（方法2）、VMD-WOA-BiGRU（方法3）進行對比.

晴天時，由圖11（a）可知，晴天時的光伏功率波動比較小，各方法預測曲線與真實功率曲線的擬合程度都比較好.從圖12（a）可以看出，本文方法的三種誤差最小，準確度最高.為了更加清晰的展示本文方法的精度，由表9 可知，在晴天情況下，經過NGO優化的BiGRU 比單一模型BiGRU 的RMSE、MAE 和MAPE 分別提升了2.27%、6.31% 和43.05%，說明NGO 優化BiGRU 模型是有一定效果的；本文方法比未經過VMD 分解的方法1 的RMSE、MAE 和MAPE分別提升了11.56%、6.31%和38.91%，說明分解原始功率能夠提取更多重要信息；本文方法與方法2 相比RMSE、MAE 和MAPE 分別提升了5.5%、2.13%和11.03%，說明NGO 算法優化BiGRU 模型要優于PSO算法；本文方法與方法3 相比RMSE、MAE 和MAPE分別提升了3.11%、2.37%和7.40%.

表9 組合模型誤差指標Tab.9 Combined model error indicator

圖11 組合模型不同天氣類型下預測結果對比Fig.11 Comparison of prediction results of combined models under different weather types

圖12 組合模型不同天氣類型下評價指標Fig.12 Evaluation indicators of combined models under different weather types

陰天時，由圖11（b）可知，陰天時的光伏功率波動略大，各方法的預測曲線與真實功率曲線的擬合程度相較于晴天略差.從圖12（b）可以看出，雖然本文所提方法的三種誤差仍是最小的，但是相對于晴天來說誤差有所增大，這是由于光伏功率的發電受到天氣因素的影響.由表9 可知，在陰天情況下，經過NGO 優化的BiGRU 比單一模型BiGRU的RMSE、MAE和MAPE分別提升了4.12%、8.79%和14.92%；本文所提方法比未經過VMD 分解的方法1的RMSE、MAE 和MAPE 分別提升了36.16%、21.46%和31.83%；本文方法與方法2 相比RMSE、MAE 和MAPE 分別提升了8.99%、8.32%和11.05%；本文方法與方法3 相比RMSE、MAE 和MAPE 分別提升了2.88%、2.19%和9.32%.

雨天時，由圖11（c）可知，雨天時的光伏功率波動較為劇烈，各方法預測曲線與真實功率曲線的擬合程度也相對較差.從圖12（c）可以看出，在誤差評價指標中，本文所提方法的誤差仍是最低的，但整體預測效果相較于晴天和陰天的預測效果略差一些.由表9可知，在雨天情況下，經過NGO 優化的BiGRU比單一模型BiGRU 的RMSE、MAE 和MAPE 分別提升了23.70%、13.12%和41.52%；本文方法比方法1的RMSE、MAE 和MAPE 分別提升了18.65%、12.91%和19.49%；本文方法與方法2 相比RMSE、MAE 和MAPE 分別提升了8.10%、8.99%和8.19%；本文方法與方法3 相 比RMSE、MAE 和MAPE 分別提升了5.99%、7.02%和7.38%.

通過實例分析，驗證了在各類天氣類型下，組合模型的預測效果比單一模型的預測效果要好.通過BiGRU 與方法1 對比可知，經過NGO 優化算法選取的參數進行功率預測，結果更為準確；通過本文方法與方法1 對比可知，功率經過分解的模型預測精度要比未分解的精度高.將本文方法與方法2 進行對比，可知NGO 優化算法優化BiGRU 的參數是優于PSO 和WOA 優化算法的。在晴天、陰天和雨天三種天氣類型下，本文所提方法的MAPE 分別為1.8925%、2.7190%和4.1671%，均在5%以內，由此說明，經過NGO 優化的BiGRU 模型有更強的魯棒性和預測性能.

為驗證所提選取相似日方法對模型的預測精度是有所提升的，以2022 年8 月26 日（晴天）的數據為例，將本文篩選相似日方法與未篩選相似日和用模糊C 均值聚類（Fuzzy C-Means Algorithm，FCM）篩選相似日的方法進行對比.未篩選相似日的數據集為2022年江蘇某光伏電站一整年中晴天天氣類型的前20 天的數據.FCM 選取相似日的數據集為篩選出的數據集中前20 天的數據.三者均通過VMD-NGOBiGRU 模型進行預測，未篩選相似日（No_Similar_Day）、FCM 篩選相似日（FCM_ Similar_Day）和本文方法篩選相似日（Similar_Day）的預測結果如圖13所示，評價指標如表10所示.由表10可知，FCM 篩選相似日比未篩選相似日的RMSE 提升了8.52%，MAE提升了10.8%，MAPE提升了2.19%；本文篩選相似日方法比FCM 篩選相似日的RMSE 提升了14.96%，MAE 提升了9.99%，MAPE 提升了3.04%.由此可知，FCM 選取相似日相對于未篩選相似日的數據來說，預測結果精度有所提升；相較于FCM選取相似日，本文所提篩選相似日的方法對模型的預測精度有更大的提升.

表10 未篩選相似日和篩選相似日誤差指標Tab.10 Unscreened similar days and screened similar day error indicators

圖13 未篩選相似日預測結果Fig.13 Unscreened similar day prediction results

5 結語

針對不同天氣條件下，模型的預測性能和魯棒性仍然存在不足的問題，本文提出了一種基于相似日選取和北方蒼鷹算法優化雙向門控循環單元的短期光伏功率預測模型，并得到如下結論：

1）本文構建的新的篩選相似日的評價指標篩選出的相似日相較于傳統聚類方法更加適合待預測日，對模型預測精度有一定提升.

2）NGO 算法與PSO 優化算法相比具有更強的尋優性能，可以為BiGRU獲取更優參數解，提高了模型的預測性能.

3）本文模型在不同天氣影響下，對應的RMSE、MAE 和MAPE 均有較大幅度提升，預測誤差值也比較小，充分凸顯了該模型良好的預測精度.

仿真結果表明，經本文構建的篩選相似日的評價指標有效地篩選出了相似日數據集，通過模型進行訓練，在不同天氣類型下的誤差評價指標均優于其他模型，具有良好的適應性.