编辑推荐：
为解决光伏（PV）发电波动与不确定性给预测带来的难题，研究人员开展双层分解（STL-VMD）与多模型（ARIMA、BiTCN-BiGRU-AM）驱动的组合区间预测研究。结果显示点预测指标 RMSE、MAE 平均提升超 10.3%、15.3%，为电网调度提供更可靠依据。
研究背景与意义
随着全球能源短缺与环境问题日益凸显，太阳能作为清洁可再生能源备受关注，光伏（PV）产业迅速发展。然而，光伏发电受太阳辐射和天气影响显著，具有高度波动性与不确定性，这严重影响电网调度的有效性与稳定性。传统的点预测方法无法体现这种不确定性，而单一的区间预测方法或需训练多模型、计算成本高，或难以平衡区间覆盖率与宽度，在处理光伏数据的季节性和高频噪声时也存在不足。因此，精准的短期光伏功率区间预测对电网调度至关重要，能帮助调度部门预见功率波动、及时调整计划，保障电网安全稳定运行。
为解决上述问题，研究人员开展了相关研究，其成果发表在《Expert Systems with Applications》。
主要关键技术方法
研究采用双层分解与多模型结合的方法。首先，利用基于 Loess 的季节性趋势分解（STL）将原始数据分解为季节性、趋势和剩余项，以消除季节性对预测精度的不利影响；接着，使用变分模态分解（VMD）对剩余项进一步分解为多个子序列，并通过混沌映射和螺旋搜索引导的浣熊优化算法（CSCOA）优化子序列数量和惩罚因子；然后，根据趋势项和 VMD 后子序列的特点，分别采用自回归积分滑动平均模型（ARIMA）和 BiTCN-BiGRU-AM 模型进行预测；最后，通过 CSCOA 优化核密度估计（KDE）和 Bootstrap 的权重，得到组合预测区间。
研究结果
- 数据分解与模型构建：通过 STL 分解有效分离光伏数据的季节性、趋势和剩余成分，VMD 进一步分解剩余项，CSCOA 优化 VMD 参数，减少数据噪声，为后续预测奠定基础。
- 点预测效果：与七种方法对比，在三个真实数据集上，点预测指标均方根误差（RMSE）和平均绝对误差（MAE）分别平均提升至少 10.3% 和 15.3%，表明多模型预测方法的有效性。
- 区间预测效果：组合区间预测方法通过优化 KDE 和 Bootstrap 的权重，较好地平衡了区间覆盖率与宽度，提升了区间预测的有效性。
研究结论与讨论
本研究提出的双层分解与多模型驱动组合区间预测方法，有效应对了光伏发电的波动性与不确定性。STL-VMD 双层分解机制提升了数据分解的精细度，CSCOA 优化参数增强了抗噪声能力，多模型预测结合不同子序列特点提高了预测精度，组合区间预测方法解决了单一方法的局限性。该研究为光伏功率预测提供了新的思路与方法，有助于提高电网调度的可靠性与稳定性，对促进光伏产业的发展和可再生能源的合理利用具有重要意义。
