Previsão Aprimorada de Energia Fotovoltaica em Curto Prazo Através do Processamento de Dados Multi-Métodos e CNN-BiLSTM Otimizado com SFOA

A crescente demanda global por energia renovável apresenta desafios significativos para a estabilidade da rede devido à flutuação e imprevisibilidade da geração de energia fotovoltaica (PV). Para melhorar a precisão da previsão de energia PV em curto prazo, este estudo propõe um modelo integrado inovador que combina Redes Neurais Convolucionais (CNN) e Memória de Longo Prazo Bidirecional (BiLSTM), otimizado usando o Algoritmo de Otimização de Linguado (SFOA) e integrado a uma estrutura de processamento de dados multi-métodos. Para reduzir a redundância das características de entrada e melhorar a precisão da previsão em diferentes condições, o algoritmo de agrupamento K-means é empregado para classificar dados anteriores em três cenários climáticos típicos. A Decomposição do Modo Empírico é utilizada para extração de características em múltiplas escalas, enquanto a Análise de Componentes Principais do Kernel é aplicada para reduzir a redundância dos dados, extraindo componentes principais não lineares. Uma rede neural híbrida CNN-BiLSTM é então construída, com seus hiperparâmetros otimizados usando SFOA para melhorar a extração de características e as capacidades de modelagem de sequências. Os experimentos foram realizados com dados históricos de uma estação de energia PV chinesa, e os resultados foram comparados com outros modelos de previsão existentes. Os resultados demonstram que o Erro Quadrático Médio da previsão de geração de energia PV para três cenários é de 9.8212, 12.4448 e 6.2017, respectivamente, superando todos os outros modelos comparativos.