【SCI2区】基于VMD-MLR-北方苍鹰优化算法NGO-DBiLSTM组合模型光伏预测Matlab实现

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球对清洁能源需求的不断增长，光伏发电作为重要的可再生能源发电方式，其功率预测的准确性对于电网稳定运行和能源合理调度至关重要。本文提出一种基于变分模态分解（VMD）、多元线性回归（MLR）、北方苍鹰优化算法（NGO）和双向长短期记忆网络（DBiLSTM）的组合模型用于光伏功率预测。首先利用 VMD 将原始光伏功率序列分解为多个不同频率的模态分量，降低序列的复杂性；接着通过 MLR 对分解后的分量进行特征提取，筛选关键影响因素；然后采用 NGO 算法对 DBiLSTM 的参数进行优化，提高模型的预测性能；最后将优化后的 DBiLSTM 模型用于光伏功率预测。通过实际数据实验，与传统单一模型及其他组合模型对比，验证了本文所提组合模型在光伏预测中的高精度和强泛化能力，为光伏电站的运行管理和电力系统调度提供了有效的技术支持。

关键词

变分模态分解；多元线性回归；北方苍鹰优化算法；双向长短期记忆网络；光伏预测

1. 引言

1.1 研究背景

在全球能源结构加速向清洁化、低碳化转型的大背景下，光伏发电凭借其无污染、可再生等优势，在能源领域的地位日益重要。然而，光伏发电具有显著的间歇性、波动性和随机性，其功率输出受光照强度、温度、天气状况等多种因素影响 。这种不确定性给电力系统的稳定运行、电能质量保障以及电网调度带来了巨大挑战 。准确的光伏功率预测能够帮助电网运营商合理安排发电计划，提高电力系统的消纳能力，降低因光伏出力波动导致的运行风险，因此成为当前新能源领域的研究热点。

1.2 国内外研究现状

在光伏预测研究领域，早期多采用传统的物理模型和统计模型。物理模型基于光伏电池的工作原理和气象参数，通过建立数学方程来计算光伏功率，但该模型对气象数据的准确性要求极高，且计算复杂度大，实际应用受限 。统计模型如时间序列分析（ARIMA）、灰色模型（GM）等，利用历史数据建立统计关系进行预测，然而这些模型对非线性、非平稳的光伏功率序列预测效果不佳 。

近年来，随着人工智能技术的快速发展，基于机器学习和深度学习的预测方法逐渐成为主流。支持向量机（SVM）、随机森林（RF）等机器学习算法在光伏预测中取得了一定的成果 ，但这些算法在处理高维、复杂数据时存在泛化能力不足的问题。深度学习模型如长短期记忆网络（LSTM）和门控循环单元（GRU），因其强大的非线性拟合能力和对时间序列的处理能力，在光伏预测中展现出良好的性能 。然而，传统的深度学习模型存在参数难以优化、容易陷入局部最优等问题，影响了预测精度。

为了进一步提高光伏预测的准确性，研究人员开始尝试将多种方法相结合构建组合模型。例如，将经验模态分解（EMD）与 LSTM 相结合，先对光伏功率序列进行分解，再利用 LSTM 对分解后的分量进行预测 ；或者采用智能优化算法对深度学习模型的参数进行优化 。这些组合模型在一定程度上提高了预测性能，但仍存在优化算法效率低、模型结构复杂等问题。

1.3 研究意义与创新点

本文提出的基于 VMD-MLR-NGO-DBiLSTM 的组合模型，旨在充分发挥各方法的优势，提高光伏预测的准确性和可靠性。研究意义主要体现在以下几个方面：一是为光伏电站的运行管理提供准确的功率预测结果，帮助电站合理安排发电计划，降低运行成本；二是为电网调度提供可靠的决策依据，提高电力系统对光伏发电的消纳能力，促进清洁能源的大规模应用；三是丰富光伏预测领域的研究方法，为相关研究提供参考。

本文的创新点主要包括：（1）将 VMD 和 MLR 相结合，对光伏功率序列进行预处理，有效降低序列的复杂性，提取关键特征；（2）引入北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化，克服传统优化算法容易陷入局部最优的问题，提高模型的预测性能；（3）构建 VMD-MLR-NGO-DBiLSTM 组合模型，通过多方法协同作用，实现对光伏功率的高精度预测。

2. 相关理论与方法

2.1 变分模态分解（VMD）

变分模态分解是一种自适应的信号处理方法，能够将复杂的非线性、非平稳信号分解为多个具有不同频率特征的模态分量。其基本原理是通过构建和求解变分模型，将原始信号分解为若干个有限带宽的模态函数，每个模态函数对应一个特定的频率成分 。与传统的经验模态分解（EMD）相比，VMD 不存在模态混叠问题，分解结果更加稳定、可靠。

VMD 的具体实现过程如下：首先，定义多个模态分量的变分约束模型；然后，通过引入二次惩罚因子和拉格朗日乘子，将约束性变分问题转化为无约束性变分问题；最后，利用交替方向乘子法（ADMM）对变分问题进行迭代求解，得到各个模态分量。

2.2 多元线性回归（MLR）

多元线性回归是一种经典的统计分析方法，用于研究多个自变量与一个因变量之间的线性关系。在光伏功率预测中，光照强度、温度、湿度等多种因素都会对光伏功率产生影响，通过 MLR 可以建立这些影响因素与光伏功率之间的线性回归模型，从而筛选出对光伏功率影响显著的关键因素 。

MLR 的数学模型可以表示为：

3.2 数据预处理

数据预处理是提高光伏预测准确性的重要环节。本文收集了某光伏电站的历史光伏功率数据以及对应的气象数据（光照强度、温度、湿度等）。首先对数据进行缺失值处理，采用均值插补法填补缺失数据；然后对数据进行归一化处理，将数据映射到 [0, 1] 区间，消除不同变量之间的量纲差异，提高模型的训练效率和预测精度。

3.3 特征提取

利用 VMD 将预处理后的光伏功率序列分解为

K

个模态分量，每个模态分量代表了原始序列在不同频率下的特征。通过分析各模态分量的特点，选择与光伏功率相关性较高的分量作为后续分析的对象。

接着，将筛选出的模态分量与气象数据作为自变量，光伏功率作为因变量，采用 MLR 建立回归模型。通过计算回归系数的显著性水平，筛选出对光伏功率影响显著的关键因素，减少数据维度，提高模型的运行效率。

3.4 模型优化

采用北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化。在优化过程中，将 DBiLSTM 的预测误差作为 NGO 算法的适应度函数，通过不断调整 DBiLSTM 的参数（如学习率、隐藏层神经元数量、迭代次数等），使适应度函数最小化，从而得到最优的模型参数。

3.5 模型预测

将经过特征提取和参数优化后的数据集输入到优化后的 DBiLSTM 模型中，进行光伏功率预测。在预测过程中，采用滚动预测的方式，每次预测一个时间步长的数据，然后将预测结果与实际数据一起作为下一次预测的输入，逐步完成整个序列的预测。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球对清洁能源需求的不断增长，光伏发电作为重要的可再生能源发电方式，其功率预测的准确性对于电网稳定运行和能源合理调度至关重要。本文提出一种基于变分模态分解（VMD）、多元线性回归（MLR）、北方苍鹰优化算法（NGO）和双向长短期记忆网络（DBiLSTM）的组合模型用于光伏功率预测。首先利用 VMD 将原始光伏功率序列分解为多个不同频率的模态分量，降低序列的复杂性；接着通过 MLR 对分解后的分量进行特征提取，筛选关键影响因素；然后采用 NGO 算法对 DBiLSTM 的参数进行优化，提高模型的预测性能；最后将优化后的 DBiLSTM 模型用于光伏功率预测。通过实际数据实验，与传统单一模型及其他组合模型对比，验证了本文所提组合模型在光伏预测中的高精度和强泛化能力，为光伏电站的运行管理和电力系统调度提供了有效的技术支持。

关键词

变分模态分解；多元线性回归；北方苍鹰优化算法；双向长短期记忆网络；光伏预测

1. 引言

1.1 研究背景

在全球能源结构加速向清洁化、低碳化转型的大背景下，光伏发电凭借其无污染、可再生等优势，在能源领域的地位日益重要。然而，光伏发电具有显著的间歇性、波动性和随机性，其功率输出受光照强度、温度、天气状况等多种因素影响 。这种不确定性给电力系统的稳定运行、电能质量保障以及电网调度带来了巨大挑战 。准确的光伏功率预测能够帮助电网运营商合理安排发电计划，提高电力系统的消纳能力，降低因光伏出力波动导致的运行风险，因此成为当前新能源领域的研究热点。

1.2 国内外研究现状

在光伏预测研究领域，早期多采用传统的物理模型和统计模型。物理模型基于光伏电池的工作原理和气象参数，通过建立数学方程来计算光伏功率，但该模型对气象数据的准确性要求极高，且计算复杂度大，实际应用受限 。统计模型如时间序列分析（ARIMA）、灰色模型（GM）等，利用历史数据建立统计关系进行预测，然而这些模型对非线性、非平稳的光伏功率序列预测效果不佳 。

近年来，随着人工智能技术的快速发展，基于机器学习和深度学习的预测方法逐渐成为主流。支持向量机（SVM）、随机森林（RF）等机器学习算法在光伏预测中取得了一定的成果 ，但这些算法在处理高维、复杂数据时存在泛化能力不足的问题。深度学习模型如长短期记忆网络（LSTM）和门控循环单元（GRU），因其强大的非线性拟合能力和对时间序列的处理能力，在光伏预测中展现出良好的性能 。然而，传统的深度学习模型存在参数难以优化、容易陷入局部最优等问题，影响了预测精度。

为了进一步提高光伏预测的准确性，研究人员开始尝试将多种方法相结合构建组合模型。例如，将经验模态分解（EMD）与 LSTM 相结合，先对光伏功率序列进行分解，再利用 LSTM 对分解后的分量进行预测 ；或者采用智能优化算法对深度学习模型的参数进行优化 。这些组合模型在一定程度上提高了预测性能，但仍存在优化算法效率低、模型结构复杂等问题。

1.3 研究意义与创新点

本文提出的基于 VMD-MLR-NGO-DBiLSTM 的组合模型，旨在充分发挥各方法的优势，提高光伏预测的准确性和可靠性。研究意义主要体现在以下几个方面：一是为光伏电站的运行管理提供准确的功率预测结果，帮助电站合理安排发电计划，降低运行成本；二是为电网调度提供可靠的决策依据，提高电力系统对光伏发电的消纳能力，促进清洁能源的大规模应用；三是丰富光伏预测领域的研究方法，为相关研究提供参考。

本文的创新点主要包括：（1）将 VMD 和 MLR 相结合，对光伏功率序列进行预处理，有效降低序列的复杂性，提取关键特征；（2）引入北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化，克服传统优化算法容易陷入局部最优的问题，提高模型的预测性能；（3）构建 VMD-MLR-NGO-DBiLSTM 组合模型，通过多方法协同作用，实现对光伏功率的高精度预测。

2. 相关理论与方法

2.1 变分模态分解（VMD）

变分模态分解是一种自适应的信号处理方法，能够将复杂的非线性、非平稳信号分解为多个具有不同频率特征的模态分量。其基本原理是通过构建和求解变分模型，将原始信号分解为若干个有限带宽的模态函数，每个模态函数对应一个特定的频率成分 。与传统的经验模态分解（EMD）相比，VMD 不存在模态混叠问题，分解结果更加稳定、可靠。

VMD 的具体实现过程如下：首先，定义多个模态分量的变分约束模型；然后，通过引入二次惩罚因子和拉格朗日乘子，将约束性变分问题转化为无约束性变分问题；最后，利用交替方向乘子法（ADMM）对变分问题进行迭代求解，得到各个模态分量。

2.2 多元线性回归（MLR）

多元线性回归是一种经典的统计分析方法，用于研究多个自变量与一个因变量之间的线性关系。在光伏功率预测中，光照强度、温度、湿度等多种因素都会对光伏功率产生影响，通过 MLR 可以建立这些影响因素与光伏功率之间的线性回归模型，从而筛选出对光伏功率影响显著的关键因素 。

MLR 的数学模型可以表示为：

3.2 数据预处理

数据预处理是提高光伏预测准确性的重要环节。本文收集了某光伏电站的历史光伏功率数据以及对应的气象数据（光照强度、温度、湿度等）。首先对数据进行缺失值处理，采用均值插补法填补缺失数据；然后对数据进行归一化处理，将数据映射到 [0, 1] 区间，消除不同变量之间的量纲差异，提高模型的训练效率和预测精度。

3.3 特征提取

利用 VMD 将预处理后的光伏功率序列分解为

K

个模态分量，每个模态分量代表了原始序列在不同频率下的特征。通过分析各模态分量的特点，选择与光伏功率相关性较高的分量作为后续分析的对象。

接着，将筛选出的模态分量与气象数据作为自变量，光伏功率作为因变量，采用 MLR 建立回归模型。通过计算回归系数的显著性水平，筛选出对光伏功率影响显著的关键因素，减少数据维度，提高模型的运行效率。

3.4 模型优化

采用北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化。在优化过程中，将 DBiLSTM 的预测误差作为 NGO 算法的适应度函数，通过不断调整 DBiLSTM 的参数（如学习率、隐藏层神经元数量、迭代次数等），使适应度函数最小化，从而得到最优的模型参数。

3.5 模型预测

将经过特征提取和参数优化后的数据集输入到优化后的 DBiLSTM 模型中，进行光伏功率预测。在预测过程中，采用滚动预测的方式，每次预测一个时间步长的数据，然后将预测结果与实际数据一起作为下一次预测的输入，逐步完成整个序列的预测。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球对清洁能源需求的不断增长，光伏发电作为重要的可再生能源发电方式，其功率预测的准确性对于电网稳定运行和能源合理调度至关重要。本文提出一种基于变分模态分解（VMD）、多元线性回归（MLR）、北方苍鹰优化算法（NGO）和双向长短期记忆网络（DBiLSTM）的组合模型用于光伏功率预测。首先利用 VMD 将原始光伏功率序列分解为多个不同频率的模态分量，降低序列的复杂性；接着通过 MLR 对分解后的分量进行特征提取，筛选关键影响因素；然后采用 NGO 算法对 DBiLSTM 的参数进行优化，提高模型的预测性能；最后将优化后的 DBiLSTM 模型用于光伏功率预测。通过实际数据实验，与传统单一模型及其他组合模型对比，验证了本文所提组合模型在光伏预测中的高精度和强泛化能力，为光伏电站的运行管理和电力系统调度提供了有效的技术支持。

关键词

变分模态分解；多元线性回归；北方苍鹰优化算法；双向长短期记忆网络；光伏预测

1. 引言

1.1 研究背景

在全球能源结构加速向清洁化、低碳化转型的大背景下，光伏发电凭借其无污染、可再生等优势，在能源领域的地位日益重要。然而，光伏发电具有显著的间歇性、波动性和随机性，其功率输出受光照强度、温度、天气状况等多种因素影响 。这种不确定性给电力系统的稳定运行、电能质量保障以及电网调度带来了巨大挑战 。准确的光伏功率预测能够帮助电网运营商合理安排发电计划，提高电力系统的消纳能力，降低因光伏出力波动导致的运行风险，因此成为当前新能源领域的研究热点。

1.2 国内外研究现状

在光伏预测研究领域，早期多采用传统的物理模型和统计模型。物理模型基于光伏电池的工作原理和气象参数，通过建立数学方程来计算光伏功率，但该模型对气象数据的准确性要求极高，且计算复杂度大，实际应用受限 。统计模型如时间序列分析（ARIMA）、灰色模型（GM）等，利用历史数据建立统计关系进行预测，然而这些模型对非线性、非平稳的光伏功率序列预测效果不佳 。

近年来，随着人工智能技术的快速发展，基于机器学习和深度学习的预测方法逐渐成为主流。支持向量机（SVM）、随机森林（RF）等机器学习算法在光伏预测中取得了一定的成果 ，但这些算法在处理高维、复杂数据时存在泛化能力不足的问题。深度学习模型如长短期记忆网络（LSTM）和门控循环单元（GRU），因其强大的非线性拟合能力和对时间序列的处理能力，在光伏预测中展现出良好的性能 。然而，传统的深度学习模型存在参数难以优化、容易陷入局部最优等问题，影响了预测精度。

为了进一步提高光伏预测的准确性，研究人员开始尝试将多种方法相结合构建组合模型。例如，将经验模态分解（EMD）与 LSTM 相结合，先对光伏功率序列进行分解，再利用 LSTM 对分解后的分量进行预测 ；或者采用智能优化算法对深度学习模型的参数进行优化 。这些组合模型在一定程度上提高了预测性能，但仍存在优化算法效率低、模型结构复杂等问题。

1.3 研究意义与创新点

本文提出的基于 VMD-MLR-NGO-DBiLSTM 的组合模型，旨在充分发挥各方法的优势，提高光伏预测的准确性和可靠性。研究意义主要体现在以下几个方面：一是为光伏电站的运行管理提供准确的功率预测结果，帮助电站合理安排发电计划，降低运行成本；二是为电网调度提供可靠的决策依据，提高电力系统对光伏发电的消纳能力，促进清洁能源的大规模应用；三是丰富光伏预测领域的研究方法，为相关研究提供参考。

本文的创新点主要包括：（1）将 VMD 和 MLR 相结合，对光伏功率序列进行预处理，有效降低序列的复杂性，提取关键特征；（2）引入北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化，克服传统优化算法容易陷入局部最优的问题，提高模型的预测性能；（3）构建 VMD-MLR-NGO-DBiLSTM 组合模型，通过多方法协同作用，实现对光伏功率的高精度预测。

2. 相关理论与方法

2.1 变分模态分解（VMD）

变分模态分解是一种自适应的信号处理方法，能够将复杂的非线性、非平稳信号分解为多个具有不同频率特征的模态分量。其基本原理是通过构建和求解变分模型，将原始信号分解为若干个有限带宽的模态函数，每个模态函数对应一个特定的频率成分 。与传统的经验模态分解（EMD）相比，VMD 不存在模态混叠问题，分解结果更加稳定、可靠。

VMD 的具体实现过程如下：首先，定义多个模态分量的变分约束模型；然后，通过引入二次惩罚因子和拉格朗日乘子，将约束性变分问题转化为无约束性变分问题；最后，利用交替方向乘子法（ADMM）对变分问题进行迭代求解，得到各个模态分量。

2.2 多元线性回归（MLR）

多元线性回归是一种经典的统计分析方法，用于研究多个自变量与一个因变量之间的线性关系。在光伏功率预测中，光照强度、温度、湿度等多种因素都会对光伏功率产生影响，通过 MLR 可以建立这些影响因素与光伏功率之间的线性回归模型，从而筛选出对光伏功率影响显著的关键因素 。

MLR 的数学模型可以表示为：

3.2 数据预处理

数据预处理是提高光伏预测准确性的重要环节。本文收集了某光伏电站的历史光伏功率数据以及对应的气象数据（光照强度、温度、湿度等）。首先对数据进行缺失值处理，采用均值插补法填补缺失数据；然后对数据进行归一化处理，将数据映射到 [0, 1] 区间，消除不同变量之间的量纲差异，提高模型的训练效率和预测精度。

3.3 特征提取

利用 VMD 将预处理后的光伏功率序列分解为

K

个模态分量，每个模态分量代表了原始序列在不同频率下的特征。通过分析各模态分量的特点，选择与光伏功率相关性较高的分量作为后续分析的对象。

接着，将筛选出的模态分量与气象数据作为自变量，光伏功率作为因变量，采用 MLR 建立回归模型。通过计算回归系数的显著性水平，筛选出对光伏功率影响显著的关键因素，减少数据维度，提高模型的运行效率。

3.4 模型优化

采用北方苍鹰优化算法（NGO）对 DBiLSTM 的参数进行优化。在优化过程中，将 DBiLSTM 的预测误差作为 NGO 算法的适应度函数，通过不断调整 DBiLSTM 的参数（如学习率、隐藏层神经元数量、迭代次数等），使适应度函数最小化，从而得到最优的模型参数。

3.5 模型预测

将经过特征提取和参数优化后的数据集输入到优化后的 DBiLSTM 模型中，进行光伏功率预测。在预测过程中，采用滚动预测的方式，每次预测一个时间步长的数据，然后将预测结果与实际数据一起作为下一次预测的输入，逐步完成整个序列的预测。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇