基于二次分解策略与混合模型的光伏功率预测

更智能的太阳能预报为何重要

随着越来越多的家庭、企业和公用事业接入太阳能，电网面临一项新挑战：阳光远非稳定。过境的云层、季节变化和多变的天气会使太阳能产出在分钟级别上上下波动。电网运营者仍然必须保持供电和设备安全，因此需要对未来几分钟光伏板将产生多少电力进行极为准确且快速的预测。本研究提出了一种新方法，使这些超短期预报更为精确，帮助电网更平稳运行并更好地利用清洁能源。

太阳能输出的颠簸轨迹

光伏电站将阳光直接转化为电能，无需移动部件、燃料或烟囱。这使得它们多年运行保持清洁与可靠——但并非在每一刻都可预测。其输出高度依赖局地天气：云层、雾霾、温度、湿度和风均会推动功率上下波动。对于必须持续平衡供需的电网运营者而言，这种波动性使得调度备用电厂、电池和储备更加复杂且成本更高。现有的预测方法要么依赖基于物理的天气与光伏模型，要么依靠统计公式和机器学习。尽管这些方法在小时或天尺度上表现尚可，但往往难以捕捉对分钟级控制至关重要的快速、崎岖的波动。

把混乱信号拆成更干净的片段

作者通过在任何学习步骤之前首先重塑原始光伏功率数据来解决这一问题。他们没有将一个嘈杂的功率曲线直接输入到一个大模型中，而是将信号拆分为若干更简单的构件，各自捕捉不同类型的行为。一种名为CEEMDAN的先进技术将原始功率序列拆解为具有不同节律的多个成分。然后将这些成分归为两类：快速、抖动的波动与较慢、更平滑的趋势。最不稳定的成分经由第二轮精化处理（VMD）进行细化，且该方法的内部参数不再靠经验猜测，而是由一种受某种鸟类捕食行为启发的优化方案自动调节。这个两步“分解”过程把纠结难以预测的曲线转变为各自更易处理的子信号。

两条专门化的学习路径

在将光伏功率信号分离为快、慢两个分量后，模型为每组分配与其特性相符的不同学习工具。高频成分变化迅速并可能随时间漂移，被交给一种轻量级算法，该算法可在新数据到来时在线更新。此设计帮助其快速适应突变，例如一片云带掠过光伏场。低频成分描绘了白天功率的总体起伏，则输入到一个混合系统中，该系统将一个侧重模式识别的网络与一个具有丰富记忆性的水库（reservoir）结合。一部分专注于在短窗口中识别形态，另一部分则跟踪这些形态随时间的演变。最后，来自两条分支的预测被加总回去，形成下一时刻的单一预报。

在不同天空下的测试

为检验该方案在现实中的可行性，研究者将其应用于来自两座气候迥异的光伏电站的数据：一座位于中国宁夏，另一座位于澳大利亚内陆沙漠。这些站点经历不同的气候和季节，构成了对模型灵活性的一次严苛考验。新模型的预报与多种现代竞争方法进行了比较，包括流行的深度学习方法如递归网络、时序卷积以及近期基于Transformer的设计。在所有精度指标上，尤其是在捕捉急剧上升和下降方面，这种分解加学习的混合框架均表现领先。在一项关键测试中，它解释了约99.7%的光伏功率变异，同时将典型误差大幅压低到远低于最强基线模型的水平。

这对电网意味着什么

简单来说，研究表明将光伏功率视为快速噪声与较慢趋势的混合体，并为每一部分配备专门的预测引擎，比千篇一律的单一模型能提供更可靠的分钟级预测。对电网运营者而言，更好的预报意味着更少意外、减少备用能源浪费，以及在更大程度上依赖太阳能时更高的信心。随着时间推移，这类更智能的预测有望降低运行成本、减少清洁电力的弃用，并帮助电网在不牺牲稳定性的前提下吸纳更高比例的可再生能源。

引用: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

关键词: 太阳能发电预测, 光伏能源, 智能电网, 可再生能源并网, 时间序列建模