SCI一区黑翅鸢优化算法+三模型光伏功率预测对比！BKA-CNN-GRU、CNN-GRU、GRU三模型多变量时间序列预测

最新推荐文章于 2025-07-04 15:50:14 发布

原创最新推荐文章于 2025-07-04 15:50:14 发布 · 440 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #cnn #gru

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

本文提出基于黑翅鸢优化算法（BKA）改进的 BKA-CNN-GRU 混合模型，用于光伏功率的多变量时间序列预测。通过将 BKA 算法与卷积神经网络（CNN）、门控循环单元（GRU）深度融合，有效优化模型参数。对比实验显示，相较于 CNN-GRU、GRU 单一模型，BKA-CNN-GRU 模型在均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）等指标上优势显著，为光伏功率精准预测提供了新的高效解决方案。

一、引言

随着全球对清洁能源需求的激增，光伏发电在能源结构中的占比不断攀升。然而，光伏功率受光照强度、温度、湿度等多变量因素影响，具有高度的波动性和不确定性，这对光伏功率预测提出了严峻挑战。准确的光伏功率预测能够助力电网合理调度、提升能源利用效率。传统预测方法在处理复杂多变量时间序列数据时存在局限性，而深度学习模型虽展现出强大的拟合能力，但参数优化问题制约其性能提升。黑翅鸢优化算法作为新兴智能优化算法，为解决该问题提供了新途径。本文将 BKA 与 CNN-GRU 相结合，开展光伏功率多变量时间序列预测研究，旨在突破现有模型的性能瓶颈。

二、算法与模型原理

2.1 黑翅鸢优化算法（BKA）

黑翅鸢优化算法是模拟黑翅鸢觅食行为的元启发式优化算法。黑翅鸢在觅食过程中，通过不断调整飞行策略搜索食物，该算法将黑翅鸢的位置视为优化问题的潜在解，在搜索空间中进行迭代寻优。其核心过程包括位置更新、食物搜索和策略调整，通过模拟黑翅鸢在不同环境下的行为模式，实现对目标函数的高效优化，能够有效避免陷入局部最优解，在复杂函数优化问题中表现出色。

2.2 CNN、GRU 模型原理

卷积神经网络（CNN）凭借卷积层强大的特征提取能力，能够自动提取多变量时间序列数据中的局部特征，如光伏数据中光照强度随时间变化的局部模式。池化层则可降低数据维度，减少计算量的同时保留关键特征。门控循环单元（GRU）是循环神经网络（RNN）的改进版本，通过重置门和更新门机制，有效解决了传统 RNN 的梯度消失和梯度爆炸问题，能够更好地捕捉时间序列数据的长期依赖关系，适用于处理光伏功率这种具有时序特性的数据。

2.3 BKA-CNN-GRU 模型架构

BKA-CNN-GRU 模型将 BKA 算法融入 CNN-GRU 架构。首先，原始多变量时间序列数据（光照强度、温度、湿度等）输入 CNN 层，进行特征提取；随后，提取的特征向量传入 GRU 层，挖掘数据的时间依赖关系；在模型训练过程中，BKA 算法根据预测误差对 CNN 和 GRU 的参数进行优化，通过不断调整卷积核参数、GRU 门控参数等，使模型达到最优性能状态，实现对光伏功率更精准的预测。