楊凌帆,劉 倩,張雨金,周郅皓,周杭霞

(中國計(jì)量大學(xué) 信息工程學(xué)院,浙江 杭州 310018)

近年來,全世界電力能源消耗加劇,化石能源供應(yīng)不足。太陽能作為一種重要的可再生能源,其轉(zhuǎn)化為電能的用處得到了快速發(fā)展,正從獨(dú)立的系統(tǒng)逐漸向大規(guī)模并網(wǎng)方向發(fā)展[1]。隨著光伏發(fā)電并網(wǎng)數(shù)量的增加,光伏發(fā)電波動(dòng)性和間歇性的特性勢(shì)必會(huì)對(duì)并網(wǎng)系統(tǒng)的穩(wěn)定性造成一定的影響[2]。尤其受太陽輻射強(qiáng)度、環(huán)境溫度等因素影響,光伏發(fā)電的特性變得越發(fā)凸顯,不利于電力系統(tǒng)的調(diào)度,給電網(wǎng)調(diào)度人員帶來了困擾。為了減少光伏發(fā)電的接入對(duì)并網(wǎng)系統(tǒng)產(chǎn)生的不利影響,就需要對(duì)光伏發(fā)電進(jìn)行預(yù)測(cè),獲得其未來輸出功率的發(fā)展曲線[3],一方面利于電網(wǎng)調(diào)度人員的協(xié)調(diào)調(diào)度,提高電能資源使用率,另一方面提升電力系統(tǒng)運(yùn)行的安全性和穩(wěn)定性[4]。

目前國內(nèi)外學(xué)者對(duì)光伏功率預(yù)測(cè)已有了一定程度的研究,研究的方法主要集中在時(shí)間序列法、回歸模型法、灰色預(yù)測(cè)法[5]、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、模糊預(yù)測(cè)方法[6]、小波分析法[7]等,最常用的三種方法是時(shí)間序列法、人工神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法。大多國內(nèi)外學(xué)者都會(huì)選用時(shí)間序列法作為光伏功率預(yù)測(cè)的主要核心思想,即根據(jù)時(shí)間序列所反映出來的發(fā)展過程、方向和趨勢(shì),進(jìn)行類推或延伸,借以預(yù)測(cè)下一段時(shí)間可能達(dá)到的水平[8]。時(shí)間序列法在處理數(shù)據(jù)時(shí)間軸方面,工作量非常龐大,尤其是時(shí)間軸間隔沒有規(guī)律的情況下,處理起來異常繁瑣。更重要的是,輸入數(shù)據(jù)受限制條件較多,預(yù)測(cè)某個(gè)時(shí)間點(diǎn)的功率,需要知道前一相同間隔時(shí)刻的數(shù)據(jù)。如文獻(xiàn)[9]研究的是,根據(jù)網(wǎng)絡(luò)流量時(shí)間序列具有時(shí)變、非特性的特征,導(dǎo)致傳統(tǒng)時(shí)間序列預(yù)測(cè)方法預(yù)測(cè)精度比較低這一現(xiàn)象。該文獻(xiàn)中的實(shí)驗(yàn)利用回聲狀態(tài)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè),之后利用遺傳算法對(duì)回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型中的儲(chǔ)備池參數(shù)進(jìn)行優(yōu)化。在光伏發(fā)電領(lǐng)域,龐大和凌亂的數(shù)據(jù)量中,想要得到相同時(shí)間間隔的數(shù)據(jù),需要經(jīng)過數(shù)據(jù)處理。目前深度學(xué)習(xí)(Deep neural network,DNN)在數(shù)據(jù)處理上,也是運(yùn)用時(shí)間序列法,其中長短期記憶網(wǎng)絡(luò)(Long short-term memory,LSTM)在時(shí)間序列上的運(yùn)用最多。LSTM是根據(jù)前一段時(shí)刻的數(shù)據(jù)去預(yù)測(cè)一段時(shí)刻,里面包含了輸入門、遺忘門和輸出門。當(dāng)一個(gè)信息進(jìn)入LSTM的網(wǎng)絡(luò)中,可以根據(jù)規(guī)則來判斷是否有用。只有符合算法認(rèn)證的信息才會(huì)留下,不符的信息則通過遺忘門被遺忘。另外，人工神經(jīng)網(wǎng)絡(luò)法(Artificial neural network,ANN)和支持向量機(jī)法(Support vector machine,SVM)是國內(nèi)外學(xué)者使用較為頻繁的兩種研究方法,目前這兩種方法的算法本質(zhì)已經(jīng)成熟,更多的是在人工神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法與其他算法組合的混合模型上做研究,如最近出的一篇文獻(xiàn)[10]針對(duì)LS-SVM(Least squares support vector machines,LSSVM)在處理大規(guī)模數(shù)據(jù)集難以得到最佳模型這一問題,提出了一種算法搜索步長和搜索的方向這兩方面進(jìn)行改進(jìn)的人群搜索算法(Improved seeker optimization algorithm,ISOA)對(duì)LS-SVM建模過程中的模型參數(shù)進(jìn)行優(yōu)化選擇參數(shù),改進(jìn)的人群搜索算法是一種混合迭代尋參算法。文獻(xiàn)[11]研究的是不同的數(shù)據(jù)預(yù)處理技術(shù)應(yīng)用于輸入數(shù)據(jù)集的PV功率提前預(yù)測(cè)的準(zhǔn)確性,首先應(yīng)用小波分解和主成分分析來分解用作預(yù)測(cè)輸入的氣象數(shù)據(jù),將最小二乘支持向量機(jī)(LS-SVM)和數(shù)據(jù)處理組方法(Group method of data handing,GMDH)相結(jié)合,組成的G-LS-SVM(數(shù)據(jù)處理組最小二乘支持向量機(jī))的時(shí)間序列預(yù)測(cè)方法應(yīng)用于預(yù)測(cè)當(dāng)天的光伏發(fā)電功率。文獻(xiàn)[12]研究的是,為了使無限傳感器不受攻擊者捕獲和操控,提出了一種改進(jìn)的支持向量機(jī)多分類算法,該方法將Hadamard算法和稀疏型隨機(jī)編碼算法的思想與支持向量機(jī)結(jié)合起來。文獻(xiàn)[13]研究的是,用空氣溫度和太陽總輻射率作為輸入數(shù)據(jù),兩組數(shù)據(jù)各自通過文獻(xiàn)中的動(dòng)態(tài)人工神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)得到后一個(gè)小時(shí)的空氣溫度和太陽總輻射率,將得到的這兩組數(shù)據(jù)運(yùn)用哈恩大學(xué)開發(fā)的基于人工神經(jīng)網(wǎng)絡(luò)的方法,得到光伏發(fā)電的輸出功率。文獻(xiàn)[14]利用BP網(wǎng)絡(luò)預(yù)測(cè)輻照度、溫度、云層覆蓋,從而間接的預(yù)測(cè)光伏發(fā)電量。

本文提出了一種基于梯度提升決策樹(Gradient boosting decision tree,GBDT)特征重要性選擇的粒子群(Particle swarm optimization,PSO)和支持向量機(jī)結(jié)合的集成模型預(yù)測(cè)方法。首先采用梯度提升決策樹算法分析影響光伏發(fā)電的多種因素及各因素之間的相互聯(lián)系,其次采用天數(shù)作為單位,組成6個(gè)SVR弱學(xué)習(xí)器,每個(gè)回歸支持向量機(jī)模型的參數(shù)利用自適應(yīng)粒子群算法進(jìn)行尋優(yōu),最后運(yùn)用改進(jìn)的粒子群算法優(yōu)化集成方法中個(gè)體分類器的權(quán)重。本文采用實(shí)測(cè)數(shù)據(jù)進(jìn)行算例分析,分別從多種誤差比較和與傳統(tǒng)方法做對(duì)比兩個(gè)方面對(duì)本文模型進(jìn)行驗(yàn)證,以體現(xiàn)本文混合模型的優(yōu)勢(shì)。

1 算法簡述

1.1 GBDT算法

GBDT是一種基于Boosting框架的算法[15],但是與傳統(tǒng)的Adaboost有很大的區(qū)別。GBDT弱學(xué)習(xí)器只能用分類回歸樹(Classification and regression tree,CART)模型,同時(shí)迭代的方法和Adaboost也所不同。該算法本質(zhì)上是梯度下降算法(Gradient boosting,GB)和決策樹(Decision tree,DT)混合構(gòu)建的。

假設(shè)一顆決策樹的葉子節(jié)點(diǎn)個(gè)數(shù)為T，該決策樹是由所有葉子節(jié)點(diǎn)對(duì)應(yīng)的值組成的向量w∈RT,和一個(gè)把特征向量映射到葉子節(jié)點(diǎn)索引的函數(shù)q:Rd→{1,2…,T}組成的。所以,決策樹可以被定義為ft(x)=wq(x)。

決策樹目標(biāo)函數(shù)采用平方損失函數(shù),可以寫成

(1)

假設(shè)樹的結(jié)構(gòu)是固定的,即葉子節(jié)點(diǎn)索引函數(shù)q(x)確定,令函數(shù)Obj(t)的一階導(dǎo)數(shù)等于0,即可求得葉子節(jié)點(diǎn)j對(duì)應(yīng)的值為

(2)

特征j的全局重要度通過特征j在單顆樹中的重要度的平均值來衡量:

(3)

其中,M是樹的數(shù)量。特征j在單顆樹中的重要度的如下:

(4)

1.2 粒子群算法

粒子群算法是一種仿生學(xué)模擬鳥類運(yùn)動(dòng)規(guī)律的優(yōu)化算法[16],其算法的本質(zhì)是基于群體的迭代進(jìn)化算法,根據(jù)鳥類個(gè)體對(duì)歷史最佳位置的記憶,通過現(xiàn)有群體的空間位置改變下一次的群體的空間位置。

每次迭代速度的更新公式:

Vid=ωVid+C1random(0,1)(Pid-Xid)+
C2random(0,1)(Pgd-Xid)。

(5)

上述公式中,ω稱為慣性因子,C1和C2稱為加速常數(shù),一般取常數(shù);random(0,1)表示區(qū)間[0,1]上的隨機(jī)數(shù),Pid表示第i個(gè)變量的個(gè)體極值的第d維。

每次迭代位置的更新公式:

Xid=Xid+Vid。

(6)

Vid為式(11)的更新速度,每次更新的速度都必須限制在一定范圍內(nèi)。

1.3 SVM算法

支持向量機(jī)算法由Vapnik等人在1995年的時(shí)候提出的,其算法的目的是尋找一個(gè)超平面來對(duì)樣本根據(jù)正例和反例進(jìn)行分割。

在樣本空間中,劃分超平面可通過如下線性方程來描述:

g(x)=wTx+b=0。

(7)

SVR的問題形式化為

(8)

(9)

(10)

(11)

(12)

C=αi+μi,

(13)

(14)

將上述四式代入式(16),可以得到式(15)的對(duì)偶問題,得:

(15)

將式(17)代入式(13),得回歸模型:

(16)

若數(shù)據(jù)非線性可分,引入核函數(shù)k(x,xi)代替內(nèi)積計(jì)算,則回歸模型可表示為

(17)

其中k(xi,xi)=φ(xi)Tφ(xj)是核函數(shù)。

2 模型構(gòu)建

本實(shí)驗(yàn)創(chuàng)新點(diǎn)為模型構(gòu)建：第一,特征選擇方面,采用GBDT算法得到不同訓(xùn)練數(shù)據(jù)中因素的特征重要性高低關(guān)系圖,用特征重要性高的因素組合作為訓(xùn)練數(shù)據(jù),排除了主觀意識(shí)選擇的發(fā)電影響因素;第二,在預(yù)測(cè)模型構(gòu)建方面,采用國內(nèi)外都沒有采用過的方法處理訓(xùn)練數(shù)據(jù)去訓(xùn)練構(gòu)建預(yù)測(cè)模型。

2.1 光伏發(fā)電影響因素分析

目前國內(nèi)外研究把外界環(huán)境氣象因素當(dāng)作首要因素訓(xùn)練預(yù)測(cè)模型,普遍認(rèn)為光伏電板組件接收到的光照強(qiáng)度是光伏發(fā)電的直接原因,是影響發(fā)電輸出功率的重要因素[17]。許多實(shí)驗(yàn)結(jié)果表明,在一定光照強(qiáng)度范圍內(nèi),發(fā)電輸出功率隨著光照強(qiáng)度的增加而增加。文獻(xiàn)[18]實(shí)驗(yàn)得出,太陽高度角、太陽光照強(qiáng)度和天空云量是影響光伏發(fā)電的主要?dú)庀笠蛩?。太陽高度角由光伏電板組件所在的地區(qū)、光伏電板的傾斜角、時(shí)間,以及季節(jié)等因素決定。太陽光照強(qiáng)度是指在地面上單位面積所接收到的太陽輻射流量。天空云量能夠決定到達(dá)地面的輻照強(qiáng)度。還有其他很多文獻(xiàn)得出,溫度、風(fēng)力、濕度等也為光伏發(fā)電的影響因素。

上述眾多文獻(xiàn)實(shí)驗(yàn)得出的光伏發(fā)電影響因素,給后來的學(xué)者帶來了一種固定的研究思維,其研究的實(shí)驗(yàn)數(shù)據(jù)但凡擁有這類光伏發(fā)電影響因素的數(shù)據(jù),學(xué)者總會(huì)憑借前人的文獻(xiàn)經(jīng)驗(yàn),將這類數(shù)據(jù)直接歸為訓(xùn)練集;但是，將這些維度的數(shù)據(jù)一起歸為訓(xùn)練集容易產(chǎn)生問題,這么多維度的數(shù)據(jù)一起作為訓(xùn)練集,不一定會(huì)得到較好的訓(xùn)練模型,并且其中一維或多維的數(shù)據(jù)有異常,會(huì)導(dǎo)致對(duì)最后精確性產(chǎn)生影響,更有可能的是,這些維度的數(shù)據(jù)與其他光伏發(fā)電因素組合反而會(huì)得到更精準(zhǔn)的預(yù)測(cè)值。

光伏發(fā)電并網(wǎng)涉及到三相逆變器的使用[19],并且得到本實(shí)驗(yàn)數(shù)據(jù)的光伏電站,采用的是三相控制器。本文研究的實(shí)驗(yàn)數(shù)據(jù)包括溫度,兩路直流電流和直流電壓的輸入,三相交流電的電流、電壓、頻率和相位。本文排除經(jīng)驗(yàn)法的引用,采用GBDT算法就多維度數(shù)據(jù)找出其因素?cái)?shù)據(jù)與目標(biāo)值的重要性關(guān)系。因素重要性最高的為百分之百,剩余因素的結(jié)果都采用百分比的形式展示。如圖1。

圖1 發(fā)電影響因素重要性Figure 1 Importance of PV power influence factor

由上述分析可知在本組實(shí)驗(yàn)數(shù)據(jù)中,溫度這列數(shù)據(jù)與發(fā)電功率的相關(guān)性不大,按照經(jīng)驗(yàn)法的做法,是會(huì)直接選擇溫度這一因素作為訓(xùn)練集,或者再選擇其他數(shù)據(jù)相組合作為訓(xùn)練集訓(xùn)練模型;然而，通過事實(shí)證明本實(shí)驗(yàn)數(shù)據(jù)中的溫度不是影響發(fā)電功率的重要因素,用溫度這列數(shù)據(jù)作為訓(xùn)練集得到的預(yù)測(cè)誤差很大,不適合作為訓(xùn)練集訓(xùn)練模型。而且通過實(shí)驗(yàn)還得出重要性結(jié)果值在70%以上的因素不同的組合生成的訓(xùn)練集訓(xùn)練的模型會(huì)有更好的精度。

2.2 預(yù)測(cè)模型構(gòu)建

本預(yù)測(cè)模型多次運(yùn)用GBDT算法和PSO算法構(gòu)建而成。GBDT-PSO-SVR集成預(yù)測(cè)模型框架如圖2。

圖2 GBDT-PSO-SVR集成預(yù)測(cè)模型框架Figure 2 GBDT-PSO-SVR ensemble prediction model framework

在得到光伏發(fā)電歷史數(shù)據(jù)集后,首先將每天的數(shù)據(jù)分開,得到各天的光伏數(shù)據(jù),通過GBDT算法找出影響各天的發(fā)電功率的因素;其次取每天數(shù)據(jù)的前90%作為訓(xùn)練集,數(shù)據(jù)的后10%作為測(cè)試集,運(yùn)用SVM算法建立模型。建立模型完成之后,采用改進(jìn)的PSO算法以MAPE誤差指標(biāo)作為適應(yīng)度,尋找每個(gè)SVM模型的最優(yōu)參數(shù),再次提取出MAPE誤差最小的一天的光伏數(shù)據(jù),作為測(cè)試集,剩余各天天數(shù)的光伏數(shù)據(jù)作為訓(xùn)練集,運(yùn)用SVM算法建立模型。建立模型完成之后,采用改進(jìn)的PSO算法以MAPE誤差指標(biāo)作為適應(yīng)度,尋找每個(gè)SVM模型的最優(yōu)參數(shù),得到各天的MAPE誤差結(jié)果,以MAPE誤差值0到1的相互組合,1到2的相互組合,2到3的相互組合。以此類推,此分類組合方法依據(jù)線性可分的數(shù)據(jù)集與線性可分的數(shù)據(jù)集組合得到的數(shù)據(jù)集更加趨向可線性分類;而線性不可分?jǐn)?shù)據(jù)集組合得到的數(shù)據(jù)集,增加了數(shù)據(jù)維度和整體的數(shù)據(jù)量,可以更好的通過超平面找到高維數(shù)據(jù)切割面[20]。本實(shí)驗(yàn)數(shù)據(jù)用此組合方法,得到了6個(gè)PSO-SVM模型。然后因PSO算法在尋找6個(gè)弱學(xué)習(xí)器的權(quán)重時(shí),無法使每次迭代后的權(quán)重和為1,所以對(duì)PSO算法做出改進(jìn),最后得到本研究的預(yù)測(cè)模型。

上述構(gòu)建模型中,以MAPE誤差值最小的一天的光伏數(shù)據(jù)作為測(cè)試集,剩余天數(shù)作為訓(xùn)練集,建立SVM模型,得出剩余天數(shù)的MAPE誤差值的思想是認(rèn)為MAPE誤差值最小的那天一整天的光伏發(fā)電功率穩(wěn)定,外界因素干擾最小,并認(rèn)定那天為相對(duì)晴天。以相對(duì)晴天的數(shù)據(jù)作為測(cè)試集,得出的剩余天數(shù)的MAPE誤差,可以通過MAPE大小判斷出剩余天數(shù)中哪些天數(shù)受外界因素干擾嚴(yán)重,哪些天數(shù)受外界干擾小。上述構(gòu)建模型過程中,MAPE誤差值小的測(cè)試集數(shù)據(jù)可以認(rèn)為是相對(duì)線性可分的,而MAPE誤差值大的測(cè)試集數(shù)據(jù)可以認(rèn)為是相對(duì)線性不可分的。以MAPE誤差值大小為標(biāo)準(zhǔn)的數(shù)據(jù)組合方法的思想是線性可分的數(shù)據(jù)相互組合,同時(shí)相對(duì)線性不可分的數(shù)據(jù)也進(jìn)行組合,以這種方法組合成的數(shù)據(jù)所建立的弱學(xué)習(xí)器[21],都含有不同的訓(xùn)練效果,具有集成學(xué)習(xí)中弱學(xué)習(xí)器多樣性的特點(diǎn)。根據(jù)上述構(gòu)建過程,以相對(duì)晴天的數(shù)據(jù)作為測(cè)試集,則MAPE誤差值小的訓(xùn)練集數(shù)據(jù)也可以理解成是偏向晴天的數(shù)據(jù);相反，MAPE誤差值大的訓(xùn)練集數(shù)據(jù)可以理解成是偏向陰天或者雨天的數(shù)據(jù)。

2.3 模型評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)百分比誤差MAPE、平均絕對(duì)誤差MAE、均方誤差MSE和擬合優(yōu)度R2來評(píng)價(jià)模型的預(yù)測(cè)能力。

(18)

(19)

(20)

(21)

(22)

其中xmodel為模型預(yù)測(cè)值,xactual為實(shí)際值,

(23)

3 實(shí)驗(yàn)分析

本文數(shù)據(jù)來自浙江紹興地區(qū)某小型光伏電站的實(shí)測(cè)監(jiān)控?cái)?shù)據(jù),該電站每6分鐘記錄溫度,兩路直流電流和直流電壓的輸入,三相交流電的電流、電壓、頻率和相位,由于本實(shí)驗(yàn)多次運(yùn)用改進(jìn)的PSO算法,造成實(shí)驗(yàn)運(yùn)行時(shí)間過長,需要減少實(shí)驗(yàn)數(shù)據(jù)。本文選用2017年12月的光伏數(shù)據(jù)來訓(xùn)練預(yù)測(cè)模型,考察該模型與其他模型的優(yōu)劣勢(shì)。

本文尋SVM模型最優(yōu)參數(shù)的改進(jìn)PSO算法,是通過將定值的w參數(shù)(慣性權(quán)重)改成二次項(xiàng)不定值,每次迭代w的值都不同,當(dāng)?shù)浇咏Y(jié)束時(shí),w的值越接近0,其作用防止PSO算法在迭代尋最優(yōu)參數(shù)過程中,陷入局部最優(yōu),如圖3。

圖3 改進(jìn)PSO算法與傳統(tǒng)PSO算法對(duì)比Figure 3 Comparison between improved PSO algorithm and traditional PSO algorithm

以2017年12月的光伏數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),運(yùn)用BP算法構(gòu)建模型,PSO算法尋優(yōu)BP模型的權(quán)重,相對(duì)晴天的數(shù)據(jù)為測(cè)試集。圖4中縱坐標(biāo)為功率,橫坐標(biāo)為一天間隔6分鐘的次數(shù)。模型預(yù)測(cè)結(jié)果如圖4。

圖4 GBDT-PSO-BP模型發(fā)電功率預(yù)測(cè)曲線Figure 4 Prediction curves of GBDT-PSO-BP model

以2017年12月的光伏數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),采用GBDT找出發(fā)電因素的重要性,建立PSO-SVM模型。如圖1,實(shí)驗(yàn)結(jié)果得到,當(dāng)訓(xùn)練集為交流電流1與直流電流4兩維數(shù)據(jù)時(shí),得到的預(yù)測(cè)模型的預(yù)測(cè)效果最好,測(cè)試集為相對(duì)晴天。圖5中縱坐標(biāo)為功率,橫坐標(biāo)為一天間隔6分鐘的次數(shù)。模型預(yù)測(cè)結(jié)果如圖5。

圖5 GBDT-PSO-SVR模型發(fā)電功率預(yù)測(cè)曲線Figure 5 Prediction curves of GBDT-PSO-SVR model

以2017年12月的光伏數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),運(yùn)用本研究方法構(gòu)建的GBDT-PSO-SVR集成模型,預(yù)測(cè)相對(duì)晴天的數(shù)據(jù)。模型預(yù)測(cè)結(jié)果如圖6。

圖6 GBDT-PSO-SVR集成模型發(fā)電功率預(yù)測(cè)曲線Figure 6 Prediction curves of GBDT-PSO-SVR ensemble model

三種模型預(yù)測(cè)的平均絕對(duì)百分比誤差MAPE值和擬合優(yōu)度R2值如表1。

表1 三種模型平均絕對(duì)百分比和擬合優(yōu)度

由表1、圖3、圖4和圖5可以看出本文提出的基于GBDT-PSO-SVR集成模型相較于其他2個(gè)模型來說預(yù)測(cè)精度提升顯著,特別是R2系數(shù)這項(xiàng),GBDT-PSO-SVR集成模型預(yù)測(cè)的曲線極度擬合測(cè)試集曲線。從RMSE和MSE兩項(xiàng)誤差指標(biāo)可以看出,GBDT-PSO-SVR集成模型預(yù)測(cè)值中與測(cè)試集中的目標(biāo)值相比異常值與其他兩個(gè)模型來說少了很多,該模型更加接近預(yù)測(cè)曲線。因此由GBDT-PSO-SVR模型、GBDT-PSO-BP模型和GBDT-PSO-SVR集成模型的預(yù)測(cè)效果對(duì)比,可以得出,本實(shí)驗(yàn)構(gòu)建模型的方法有助于提升預(yù)測(cè)效果。

4 結(jié) 論

光伏發(fā)電預(yù)測(cè)有助于解決隨機(jī)發(fā)電與隨機(jī)用電兩組互不相關(guān)變量的實(shí)時(shí)平衡的問題,有利于幫助電網(wǎng)工作人員完成協(xié)調(diào)調(diào)度工作,從而更好的維護(hù)電網(wǎng)長久運(yùn)作的安全和穩(wěn)定。本文基于光伏實(shí)測(cè)數(shù)據(jù),通過分析數(shù)據(jù)中多種因素對(duì)光伏系統(tǒng)發(fā)電量的影響,提出了一種基于GBDT-PSO-SVR集成的預(yù)測(cè)模型。仿真結(jié)果分析得到以下結(jié)論。

建立預(yù)測(cè)模型時(shí),訓(xùn)練集無需考慮數(shù)據(jù)的天氣類別,可通過上述構(gòu)建模型方法中的數(shù)據(jù)組合方法歸分?jǐn)?shù)據(jù)。建立預(yù)測(cè)模型完成后,同樣無需考慮測(cè)試集中的天氣類別。

該模型以當(dāng)前時(shí)刻,預(yù)測(cè)下一個(gè)6分鐘時(shí)刻的發(fā)電功率數(shù)據(jù),所得到的預(yù)測(cè)模型具有比較準(zhǔn)確的預(yù)測(cè)能力和較強(qiáng)的適用性。