随着全球环境保护措施和新能源的研究及后续的开展，太阳能光伏发电已然成为主流的新能源发电方式之一，其应用范围不断扩大，但光伏发电的功率受到多种自然环境因素的影响，具有较强的随机性和波动性，给电网的稳定运行和电力调度带来挑战。
提高光伏发电的效率，优化电网调度，降低运营成本，推动可再生能源发展，通过模型预测光伏发电的功率，合理安排发电相关设施的运行和后续维护，提高设备的发电效率以及延长其使用寿命。
构建EMD-TCN-BiGRU组合预测模型，提高光伏功率预测的准确性和稳定性，为后续的发电规划、电网调度和管理提供参考依据。
综述国内外关于光伏功率预测的研究进展，包括国外学者利用深度学习模型、VAE模型、CNN-Salp群算法、基于深度学习的太阳辐照度预测模型等方法，以及国内学者提出的VMD-GWO-LSTM、DBO-KELM、BP神经网络与遗传算法、改进的DBO-BiLSTM-GRU等方法。
收集并预处理光伏电站的历史功率数据及相关气象数据，提取与光伏功率相关的特征，包括太阳辐射度、组件温度、空气温度、相对湿度和大气压力等。
利用EMD方法将光伏功率时间序列分解为多个本征模态分量（IMF），分离出不同频率和尺度的波动特征。
构建TCN模型，对EMD分解后的IMF分量进行特征提取，捕捉时间序列的局部特征和长期依赖关系。
设计BiGRU模型，对TCN提取的特征进行进一步建模和预测，利用双向结构同时考虑时间序列的正向和反向信息。
将EMD、TCN和BiGRU模型进行融合，构建组合预测模型，并采用优化算法对模型参数进行调整，提高预测性能。
使用实际光伏电站的数据对所构建的组合预测模型进行验证，确保模型的有效性和鲁棒性。
采用均方误差、决定系数等指标评估模型的预测精度、稳定性和泛化能力。
总结论文的主要研究结论和发现，包括模型的有效性和预测精度的提升。
基于研究结论，提出完善光伏功率预测模型的政策建议，为光伏电站的运行管理和电网调度提供支持。