摘要：针对光伏发电功率的随机性、波动性和非线性问题，提出了一种结合经红尾鵟（RTH）算法优化的变分模态分解（VMD）、核主成分分析（KPCA）和经RTH算法优化的门控循环单元（GRU）神经网络的光伏发电功率预测模型。首先，使用RTH算法对VMD和GRU神经网络的5个超参数进行优化；接着，应用优化后的VMD方法分解原始数据，以减少光伏数据的波动性和随机性；然后，采用KPCA方法降低数据维度，消除冗余；最终，利用经RTH优化的GRU神经网络模型进行时序建模。通过分析新疆某光伏电站的历史发电数据，并与GRNN、LSTM、GRU以及OVMD-GRU、OVMD-KPCA-GRU模型相比较，本模型的拟合优度高达98.96%，显示出更高的预测精度。
文章目录
0 引 言
1 理论基础
1.1 变分模态分解
1.2 红尾鵟算法
1.3 RTH优化VMD
1.4 核主成分分析
1.5 门控循环单元神经网络
2 光伏输出功率预测模型构建
2.1 基于OVMD-KPCA-RTH-GRU的光伏功率预测模型
2.2 评价指标
3 算例分析
3.1 实验数据处理
3.2 RTH-VMD分解结果
3.3 KPCA降维
3.4 GRU参数设置
3.5 实验结果分析
3.6 不同天气预测效果分析
4 结 论
