海洋可再生能源集成预测：一种自适应贝叶斯优化的风-光-波浪能 MVMD-LSTM 框架
机器学习
2025-10-01 v1 最优化与控制
摘要
风-光-波浪集成海洋能源系统在为海上和沿海地区提供清洁电力方面具有广阔前景。通过利用多种资源的时空互补性，此类系统可以有效缓解单一能源输出的间歇性和波动性，从而大幅提高整体发电效率和资源利用率。准确的超短期预测对于确保安全运行和优化主动调度至关重要。然而，现有的预测方法大多为每种能源单独构建模型，未能充分考虑多种能源之间的复杂耦合，难以捕捉系统的非线性和非平稳动态，且通常依赖于繁杂的人工参数调优——这些局限性制约了预测性能和实用性。我们使用贝叶斯优化的多元变分模态分解-长短期记忆网络（MVMD-LSTM）框架来解决这一问题。该框架首先应用 MVMD 联合分解风能、太阳能和波浪能功率序列，以保留跨能源耦合；利用贝叶斯优化自动搜索 MVMD 过程中的模态数和惩罚参数，以获得本征模态函数（IMF）；最后，使用 LSTM 对所得 IMF 进行建模，以实现集成系统的超短期功率预测。基于中国某海上综合能源平台现场实测数据的实验表明，所提出的框架在 MAPE、RMSE 和 MAE 方面显著优于基准模型。结果证明了其卓越的预测准确性、鲁棒性和自动化程度。
引用
@article{arxiv.2509.25226,
title = {Integrated Forecasting of Marine Renewable Power: An Adaptively Bayesian-Optimized MVMD-LSTM Framework for Wind-Solar-Wave Energy},
author = {Baoyi Xie and Shuiling Shi and Wenqi Liu},
journal= {arXiv preprint arXiv:2509.25226},
year = {2025}
}