Short-Term PV Power Prediction Considering Weather-Coupled Similar Days

doi:10.12096/j.2096-4528.pgt.260105

Abstract

Abstract:

Objectives To make full use of historical information, maximize the optimization of model effect and improve the accuracy of photovoltaic (PV) power prediction, a short-term PV power prediction method considering weather-coupled similar days is proposed. Methods Firstly, fuzzy C-means clustering is used to divide the dataset into different weather types, and the correlation weight factors are calculated according to the affiliation and features selection of the day to be predicted for each weather type, and the similarity of the historical days is calculated by grey relation analysis, and similar days with weather coupling are selected. The similar days are decomposed into modal components with different frequencies by variational mode decomposition to realize further denoising. Secondly, in order to fully utilize the nonlinear fitting ability of the model, the red-tailed hawk algorithm (RTHA) is used to optimize the hyperparameters of the bidirectional long short-term memory (BiLSTM) network model, and the RTHA-BiLSTM model is constructed to predict the modal components. Finally, taking the actual data of a power plant in Jiangsu Province as an example, the simulation experiment is carried out to verify the effectiveness of the proposed method. Results In sunny, cloudy and rainy scenarios, compared with the method without similar days, the proposed method reduces the root mean square error by 9.1%, 6.1%, 2.9% and 11.1%, 6.5%, 13.9% in the single model and the combined model, respectively. Conclusions The proposed method can effectively improve the prediction accuracy of PV power, has good robustness and strong prediction ability, and can better cope with the prediction tasks in different scenarios.

Key words: photovoltaic (PV) power generation, power prediction, fuzzy C-means clustering, grey relation analysis, similar days, red-tailed hawk algorithm

CLC Number:

TK 519

Jing LU, Yuanhao YANG, Zhonghong WANG, Rui WANG. Short-Term PV Power Prediction Considering Weather-Coupled Similar Days[J]. Power Generation Technology, 2026, 47(1): 53-64.

Figures/Tables 14

References 23

[1]	崔勇，韩一春，郑谦，等．多能联盟低碳运营决策方法研究框架与展望[J]．电测与仪表，2024，61(3)：10-19． doi:10.1002/ese3.1659
	CUI Y， HAN Y C， ZHENG Q，et al ．Research framework and prospect of multi-energy alliance low-carbon operation decision-making method[J]．Electrical Measurement & Instrumentation，2024，61(3)：10-19． doi:10.1002/ese3.1659
[2]	许洪华，邵桂萍，鄂春良，等．我国未来能源系统及能源转型现实路径研究[J]．发电技术，2023，44(4)：484-491． doi:10.12096/j.2096-4528.pgt.23002
	XU H H， SHAO G P， E C L，et al ．Research on China’s future energy system and the realistic path of energy transformation[J]．Power Generation Technology，2023，44(4)：484-491． doi:10.12096/j.2096-4528.pgt.23002
[3]	董明，李晓枫，杨章，等．基于数据驱动的分布式光伏发电功率预测方法研究进展[J]．电网与清洁能源，2024，40(1)：8-17．
	DONG M， LI X F， YANG Z，et al ．Research progress on data-driven prediction methods for distributed photovoltaic power generation[J]．Power System and Clean Energy，2024，40(1)：8-17．
[4]	战文华，车建峰，王勃，等．基于网格化数值天气预报的区域光伏发电多输出功率预测方法[J]．中国电力，2024，57(3)：144-151．
	ZHAN W H， CHE J F， WANG B，et al ．A grid-based numerical weather prediction method for multi-output prediction of regional photovoltaic power[J]．Electric Power，2024，57(3)：144-151．
[5]	王瑞，靳鑫鑫，逯静．SVMD-PE-BP-Transformer短期光伏功率预测[J]．电网与清洁能源，2024，40(8)：141-150．
	WANG R， JIN X X， LU J ．SVMD-PE-BP-transformer short-term PV power prediction[J]．Advances of Power System & Hydroelectric Engineering，2024，40(8)：141-150．
[6]	邹港，赵斌，罗强，等．基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法[J]．电力科学与技术学报，2024，39(5)：163-171．
	ZOU G， ZHAO B， LUO Q，et al ．Prediction method of short-term PV output power based on PCA-VMD-MVO-SVM[J]．Journal of Electric Power Science and Technology，2024，39(5)：163-171．
[7]	胡烜彬，纪正森，许晓敏．DPCA-POA-RF-Informer在多情景光伏多步预测中的应用[J]．智慧电力，2024，52(1)：8-13．
	HU X B， JI Z S， XU X M ．Application of DPCA-POA-RF-informer in multi-scenario multi-step prediction of photovoltaic power[J]．Smart Power，2024，52(1)：8-13．
[8]	邱书琦，蹇照民，方立雄，等．基于变分模态分解和集成学习的光伏发电预测[J]．智慧电力，2024，52(3)：32-38．
	QIU S Q， JIAN Z M， FANG L X，et al ．Photovoltaic power generation forecasting based on variational modal decomposition and ensemble learning[J]．Smart Power，2024，52(3)：32-38．
[9]	韩晓，王涛，韦晓广，等．考虑阵列间时空相关性的超短期光伏出力预测[J]．电力系统保护与控制，2024，52(14)：82-94．
	HAN X， WANG T， WEI X G，et al ．Ultrashort-term photovoltaic output forecasting considering spatiotemporal correlation between arrays[J]．Power System Protection and Control，2024，52(14)：82-94．
[10]	陈庆斌，杨耿煌，耿丽清，等．基于相似日选取和数据重构的短期光伏功率组合预测方法[J]．中国电力，2024，57(12)：71-81．
	CHEN Q B， YANG G H， GENG L Q，et al ．Short term photovoltaic power combination prediction method based on similar day selection and data reconstruction[J]．Electric Power，2024，57(12)：71-81．
[11]	谢小瑜，周俊煌，张勇军，等．基于W-BiLSTM的可再生能源超短期发电功率预测方法[J]．电力系统自动化，2021，45(8)：175-184．
	XIE X Y， ZHOU J H， ZHANG Y J，et al ．W-BiLSTM based ultra-short-term generation power prediction method of renewable energy[J]．Automation of Electric Power Systems，2021，45(8)：175-184．
[12]	文爽，马逸骋，孙志强．基于GWO-EEMD-BP神经网络的光伏发电功率短期预测[J]．中南大学学报(自然科学版)，2022，53(12)：4799-4808．
	WEN S， MA Y C， SUN Z Q ．Short-term prediction of photovoltaic power based on GWO-EEMD-BP[J]．Journal of Central South University (Science and Technology)，2022，53(12)：4799-4808．
[13]	商立群，李洪波，侯亚东，等．基于VMD-ISSA-KELM的短期光伏发电功率预测[J]．电力系统保护与控制，2022，50(21)：138-148．
	SHANG L Q， LI H B， HOU Y D，et al ．Short-term photovoltaic power generation prediction based on VMD-ISSA-KELM[J]．Power System Protection and Control，2022，50(21)：138-148．
[14]	杨国华，张鸿皓，郑豪丰，等．基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测[J]．高电压技术，2021，47(4)：1185-1194．
	YANG G H， ZHANG H H， ZHENG H F，et al ．Short-term photovoltaic power forecasting based on similar weather clustering and IHGWO-WNN-AdaBoost model[J]．High Voltage Engineering，2021，47(4)：1185-1194．
[15]	吉锌格，李慧，刘思嘉，等．基于MIE-LSTM的短期光伏功率预测[J]．电力系统保护与控制，2020，48(7)：50-57．
	JI X G， LI H， LIU S J，et al ．Short-term photovoltaic power forecasting based on MIE-LSTM[J]．Power System Protection and Control，2020，48(7)：50-57．
[16]	王光华，张纪欣，崔良，等．基于双重注意力变换模型的分布式屋顶光伏变电站级日前功率预测[J]．全球能源互联网，2024，7(4)：393-405．
	WANG G H， ZHANG J X， CUI L，et al ．Substation-level distributed rooftop photovoltaic power day-ahead prediction based on double attention mechanism transformer model[J]．Journal of Global Energy Interconnection，2024，7(4)：393-405．
[17]	汪繁荣，梅涛，卢璐．基于相似日聚类和VMD-LTWDBO-BiLSTM的短期光伏功率预测[J]．智慧电力，2024，52(10)：56-63．
	WANG F R， MEI T， LU L ．Short-term PV power prediction based on similar day clustering with VMD-LTWDBO-BiLSTM[J]．Smart Power，2024，52(10)：56-63．
[18]	王开艳，杜浩东，贾嵘，等．基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测[J]．高电压技术，2022，48(11)：4372-4388．
	WANG K Y， DU H D， JIA R，et al ．Short-term interval probability prediction of photovoltaic power based on similar daily clustering and QR-CNN-BiLSTM model[J]．High Voltage Engineering，2022，48(11)：4372-4388．
[19]	王晓霞，俞敏，冀明，等．基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测[J]．太阳能学报，2023，44(6)：275-283．
	WANG X X， YU M， JI M，et al. Photovoltaic power combination forecasting based on climate similarity and SSA-CNN-LSTM[J]．Acta Energiae Solaris Sinica，2023，44(6)：275-283．
[20]	彭宇文，杨之乐，李冰，等．基于VMD-ISSA-LSTM的短期光伏发电功率预测[J]．广东电力，2024，
	37(1)：18-26． PENG Y W， YANG Z L， LI B，et al ．Short term photovoltaic power generation prediction based on VMD-ISSA-LSTM[J]．Guangdong Electric Power，2024，37(1)：18-26．
[21]	崔星，李晋国，张照贝，等．基于改进粒子群算法优化LSTM的短期电力负荷预测[J]．电测与仪表，2024，61(1)：131-136．
	CUI X， LI J G， ZHANG Z B，et al ．The short-term power load forecasting based on NIWPSO-LSTM neural network[J]．Electrical Measurement & Instrumentation，2024，61(1)：131-136．
[22]	毕贵红，赵鑫，陈臣鹏，等．基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测[J]．电网技术，2022，46(9)：3463-3476．
	BI G H， ZHAO X， CHEN C P，et al ．Ultra-short-term prediction of photovoltaic power generation based on multi-channel input and PCNN-BiLSTM[J]．Power System Technology，2022，46(9)：3463-3476．
[23]	FERAHTIA S， HOUARI A， REZK H，et al. Red-tailed hawk algorithm for numerical optimization and real-world problems[J]．Scientific Reports，2023，13：12950． doi:10.1038/s41598-023-38778-3

气象特征	相关系数	气象特征	相关系数
总辐射	0.85	环境温度	0.24
直射辐射	0.59	相对湿度	-0.14
散射辐射	0.84	气压	-0.16

气象特征	相关系数	气象特征	相关系数
总辐射	0.85	环境温度	0.24
直射辐射	0.59	相对湿度	-0.14
散射辐射	0.84	气压	-0.16

气象特征	Spearman相关系数
气象特征	聚类前	晴天	多云	雨天
总辐射	0.85	0.84	0.82	0.76
直射辐射	0.59	0.72	0.54	0.34
散射辐射	0.84	0.84	0.81	0.71
环境温度	0.24	0.09	0.12	0.30
相对湿度	-0.14	-0.017	-0.09	-0.25
气压	0.16	-0.052	-0.03	-0.19

气象特征	Spearman相关系数
气象特征	聚类前	晴天	多云	雨天
总辐射	0.85	0.84	0.82	0.76
直射辐射	0.59	0.72	0.54	0.34
散射辐射	0.84	0.84	0.81	0.71
环境温度	0.24	0.09	0.12	0.30
相对湿度	-0.14	-0.017	-0.09	-0.25
气压	0.16	-0.052	-0.03	-0.19

超参数	寻优范围
学习率	[0.001, 0.01]
BiLSTM神经元数	[10, 100]
批量大小	[10, 50]