基于改进鲸群迁徙算法的多步短期光伏功率预测模型

为何预测太阳能发电至关重要

随着越来越多的家庭、企业和城市转向太阳能，预测未来几分钟或数小时内光伏组件将产生多少电能变得十分关键。若预测错误，电网运营商就必须紧急调度以维持供电，这既浪费资金，有时还会增加化石燃料的使用。本文提出了一种更智能的短期光伏功率预测方法，其精度和稳定性均优于许多现有方法。

光伏发电的波动特性

光伏组件受气象条件影响很大。掠过的云层、雾霾、季节性变化和突发风暴都会使其输出功率以复杂的方式剧烈波动。传统预测工具要么大量依赖对光伏组件的简化物理模型，要么仅依赖历史数据。物理模型容易忽略现实中的细节，而纯统计方法在数据噪声大或高度不规则时表现不佳。因此，在光照快速变化的情况下——正是运营商最需要可靠预测的时候——这些方法往往效果欠佳。

把混乱的信号分解成更干净的部分

为驯服这种混乱，作者先对原始光伏功率数据进行预处理，再进行预测。他们采用变分模态分解（variational mode decomposition）技术，将原始崎岖的功率曲线拆分为若干更平滑的分量，每个分量捕捉不同时间尺度上的模式。这种分离减少了随机噪声，使隐藏的规律更容易被识别。与其让模型直接从一条纠缠的曲线中学习，不如让它从一组更清晰、更稳定的构件中学习。

让机器学习模式并自我调优

在信号分解之后，研究转向一个两段式的学习体系。第一部分是一维卷积神经网络，擅长在时间序列数据中识别局部模式和趋势。第二部分是一个轻量级学习器，称为核极限学习机（kernel extreme learning machine），能够快速将这些提取到的模式转换为数值预测。这种混合模型将强大的模式识别能力与快速高效的预测结合起来。然而，其性能高度依赖若干关键内部设置（超参数），这些通常难以人工调优。

借鉴鲸群迁徙来优化模型

为自动选择这些关键设置，作者引入了一种“改进的鲸群迁徙算法”。该算法受座头鲸群体迁徙和海洋搜索行为的启发，将每组候选超参数视为一只在寻找更好觅食区的“鲸”。它结合了广泛的全局探索与精细的局部搜索，并辅以受控随机性和跳跃式移动，以避免陷入劣解。经过多次迭代，“鲸群”逐步迁移到能使预测误差最小化的超参数组合，从而实现对预测模型的自动调优。

方法实测

团队在中国两座光伏电站的真实数据上验证了他们的完整方案——包括信号分解、混合学习模型和鲸群启发式优化器；两座电站分别为50 MW和35 MW，并覆盖冬季和夏季时段。他们将该方法与九种替代方法进行比较，包含常规神经网络、支持向量机、单步预测器及更简单的混合模型。新模型不仅能追踪整体的日变化曲线，还能更准确地跟随尖锐的峰谷。在若干误差指标上，它持续产生更小的误差并与实际输出有更紧密的拟合，两站的拟合优度约分别达到97%和92%。

对日常用能的意义

对非专业读者而言，核心结论是作者提供了更可靠的“太阳能发电天气预报”。通过清洗数据、采用精简而强大的学习结构，并让以自然为灵感的搜索机制对系统进行细化调优，他们显著提升了短期光伏发电量的预测精度。更好的预测有助于在可再生能源与常规电源之间更合理地平衡负荷、降低运维成本，并支持更清洁、更具弹性的电网。这一策略也可扩展到其他复杂预测问题，例如风电、工业负荷以至医疗信号分析。

引用: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

关键词: 太阳能发电预测, 光伏能源, 机器学习, 优化算法, 可再生能源电网