光伏能源具有取之不尽、用之不竭、方便易得等优点，是实现双碳战略目标和保障人类社会可持续发展的重要支撑。然而，光伏出力具有高度非线性、强烈随机性和间歇性等特征，加之人类活动和气候变化等综合因素影响，单一模型难以全面刻画其内在特性，如何实现高精度光伏出力预测已成为电力系统极富挑战的前沿科技难题，近年来得到国内外学者的高度关注。

为此，我院冯仲恺教授与长江水利委员会水文局、南方电网科学研究院、悉尼科技大学等单位紧密合作，从特性解析、模型构建、参数优选等三方面开展系统深入研究，历时1年形成了自适应模态分解和进化算法协同驱动的光伏出力智能预测方法（图1）。该方法着力采用自适应模态分解方法将复杂光伏出力序列划分为若干相对平稳的分量序列，而后驱动门控循环单元对各分量序列进行预报建模，同时采用其原创的合作搜索算法(Cooperation search algorithm, CSA)优选模型复杂结构参数。应用实践表明，所提方法有效提升光伏出力多尺度预测精度，可为流域水风光多能互补调度提供重要技术支撑。

上述成果发表在能源领域权威期刊Energy（IF=8.857，中科院Top期刊），同时黄晴晴同学在冯仲恺老师指导下完成了本科毕业论文《梯级水库群与光伏能源互补调度方法研究》，荣获河海大学2022届本科优秀毕业论文（专业前5%）、优秀学生标兵（学院共9人）、魅力毕业生（学院前3%）等多项奖励荣誉，并成功保送本校研究生继续深造。

论文链接：Feng Z, Huang Q, Niu W, Yang T, Wang J, Wen S. (2022). Multi-step-ahead solar output time series prediction with gate recurrent unit network using data decomposition and cooperation search algorithm. Energy, 2022,125217. https://doi.org/10.1016/j.energy.2022.125217

图1 所提方法示意图

图2 不同方法预测结果统计指标对比