一种基于分解序列复杂度评估与聚类重构的短期光伏功率深度学习预测方法

本发明展示了一种基于分解序列复杂度评估与聚类重构的短期光伏功率深度学习预测方法，主要包括：步骤1、利用逐次变分模态分解对光伏功率时间序列进行分解；步骤2、利用模糊熵算法计算各个分解分量的复杂度；步骤3、利用高斯混合聚类将不同复杂度的分量进行划分并重构为高频、中频、低频分量；步骤4、利用混沌进化优化算法对各个分量的双向门控循环单元(BIGRU)预测模型的超参数进行优化；步骤5、采用BIGRU模型分别对重构后的高频、中频、低频分量进行短期光伏功率预测；步骤6、将各个分量的预测值叠加，得到光伏功率点预测结果；步骤7、利用核密度估计基于点预测结果形成置信区间，最终得到光伏功率概率区间预测结果。有益效果在于，利用了模糊熵算法评估各个分解分量的复杂度并进行重构，基于BIGRU捕捉上下文信息、处理长序列数据的强大能力，从而实现对包括模型训练在内的各个环节的全面优化。