近日，电子信息学院新能源大数据预测课题组研究成果“Photovoltaic power forecasting: Using wavelet threshold denoising combined with VMD”发表于国际知名期刊《Renewable Energy》（中国科学院一区TOP，JCR一区，影响因子9.0），该成果以上海电机学院为第一单位，由电子信息学院刘琳老师（通讯作者）、张建秋（在读研究生）与上海交通大学自动化系共同完成。
由于光伏输出信号呈现复杂非平稳特征，信号预处理与关键特征提取已成为提升预测性能的核心研究问题。在此背景下，变分模态分解（Variational Mode Decomposition，VMD）通过自适应频域分解实现多尺度频率分量的稳定分离，将非平稳信号解析为若干带宽受限的固有模态函数（Intrinsic Mode Functions，IMFs）。尽管VMD凭借其抗模态混叠特性已成为光伏信号分析的主流方法，但现有研究对IMFs的利用仍存在以下关键局限：IMF本质是数学构造量而非物理可观测变量，无法直接作为预测模型的输入特征；现有基于IMF分量独立预测后叠加的方法，由于缺乏相关性较高的外部特征，导致高频分量的预测存在显著偏差。针对上述问题，本研究提出一种基于关键IMFs特征构造的光伏预测方法。首先，采用小波阈值降噪（Wavelet Threshold Denoising，WTD）对原始光伏功率数据进行处理；随后通过VMD分解获取信号IMFs分量，并根据影响性分析和初步预测实验结果，评估筛选出关键IMFs，通过模型预测生成IMFs特征；最后将预测得到的IMFs特征与天气特征共同作为输入，用于光伏发电量预测。实验表明，引入IMF特征后，五种模型的MAE和SMAPE分别平均降低12.68%和17.65%，模型预测性能显著增强。（供稿：电子信息学院）
