基于CatBoost算法的短期光伏功率預(yù)測方法

陳海宏，易永利，黃珅，韓靜怡

（1.國網(wǎng)浙江省電力有限公司溫州供電公司，浙江 溫州 325000；2.億可能源科技（上海）有限公司，上海 200090）

0 引言

目前，在“雙碳”背景下［1］，我國正在全力推進光伏發(fā)電的大規(guī)模開發(fā)與高質(zhì)量發(fā)展，光伏發(fā)電呈現(xiàn)出良好的發(fā)展前景［2-3］。隨著集中式光伏發(fā)電開發(fā)的有序推進，我國在大力推廣光伏產(chǎn)業(yè)的同時，也在開展光伏發(fā)電功率預(yù)測相關(guān)工作［4］。在電網(wǎng)調(diào)度過程中，如果在獲得精確的光伏發(fā)電功率預(yù)測結(jié)果的基礎(chǔ)上制定生產(chǎn)計劃，則能夠保障電力系統(tǒng)連續(xù)、可靠供電，有效降低發(fā)電成本。

但光伏發(fā)電功率數(shù)據(jù)的準(zhǔn)確性問題加大了光伏發(fā)電功率預(yù)測的難度，增加了光伏發(fā)電功率預(yù)測的不確定性，當(dāng)光伏電站并網(wǎng)運行時，電力系統(tǒng)的穩(wěn)定性與經(jīng)濟性會受到影響［5］?？煽康念A(yù)測算法模型和精細的氣象預(yù)報數(shù)據(jù)是準(zhǔn)確預(yù)測光伏發(fā)電功率的決定性因素，而多變的微氣象環(huán)境使功率預(yù)測變得更加復(fù)雜，傳統(tǒng)的預(yù)測方法在建模難度與預(yù)測精準(zhǔn)度上受到諸多限制。因此，全面了解和掌握先進的光伏發(fā)電功率預(yù)測方法、利用人工智能算法實現(xiàn)更加精確的光伏發(fā)電功率預(yù)測，是提升電力系統(tǒng)可靠性與經(jīng)濟性的有效解決方案［6］。

近年來，國內(nèi)外學(xué)者通過不同算法建立模型，提出了多種光伏發(fā)電預(yù)測方法。劉家慶等［7］借助ARIMA（自回歸差分平均）方法和SVR（支持向量機）算法，通過考慮功率修正建立模型從而預(yù)測光伏發(fā)電功率。李秉晨等［8］基于Kmeans 和CEEMD（完備總體經(jīng)驗?zāi)B(tài)分解）、PE（排列熵），與LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)結(jié)合建立了用于光伏發(fā)電功率預(yù)測的模型。劉國海等［9］提出了一種結(jié)合注意力機制與GRU（門控循環(huán)單元）的Attention-GRU 短期光伏發(fā)電功率預(yù)測模型。A.I.Salamanis 等［10］提出了一個綜合的基準(zhǔn)框架，用于多步驟短期光伏發(fā)電預(yù)測的分析型、數(shù)據(jù)型和混合型模型。A.A.H.Lateko 等［11］提出了一種基于堆疊集成模型的提前一天到三天的光伏功率預(yù)測方法。C.C.Liu 等［12］根據(jù)預(yù)測過程、需求、時間和空間尺度對預(yù)測方法進行分類，羅列出了合適的評價指標(biāo)。以上算法中，ARIMA等方法對于非線性時序的預(yù)測效果較差，而LSTM、GRU算法在模型訓(xùn)練過程中有較多超參數(shù)需要考慮，都不能對文字標(biāo)簽進行處理。

本文提出了一種基于CatBoost 算法的短期輸出功率預(yù)測模型，該方法對于類別型特征有較好的識別能力，且降低了對超參數(shù)的要求。結(jié)合時間特征、歷史光伏功率特征和氣象因素特征對未來的光伏發(fā)電功率進行預(yù)測，同時采用SHAP（SHaplay 加法解釋）方法對所構(gòu)造的特征進行篩選，進一步提高了光伏發(fā)電功率預(yù)測精度。最后通過實例驗證了所提模型在光伏發(fā)電短期預(yù)測中的優(yōu)越性和可靠性。

1 光伏發(fā)電功率短期預(yù)測研究

常用的短期預(yù)測方法大致可分為線性預(yù)測法、非線性預(yù)測法和綜合預(yù)測法［13］。

1）線性預(yù)測法通過結(jié)合歷史氣象數(shù)據(jù)與歷史輸出功率數(shù)據(jù)來預(yù)測光伏發(fā)電功率。目前大多采用ARMA（自回歸移動平均）、ARIMA、ARIMAX（擴展的自回歸移動平均）3種方法。

2）受氣象因素的影響，光伏發(fā)電功率不穩(wěn)定，為提升預(yù)測的精度，可以采用非線性預(yù)測法。首先通過對外界影響因素與光伏發(fā)電功率的分析，建立非線性模型，進而進行光伏發(fā)電功率預(yù)測［14］。

3）綜合預(yù)測法是將非線性預(yù)測法與線性預(yù)測法相結(jié)合產(chǎn)生的預(yù)測方法。與單一預(yù)測方法相比更為復(fù)雜，但預(yù)測精度也隨之提升。

1.1 預(yù)測算法

目前，為實現(xiàn)短期光伏發(fā)電的精確預(yù)測，提出了時間序列法、回歸分析法、SVR、模糊預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)等。諸多預(yù)測方法具有很好的預(yù)測精度，但因有過多的超參數(shù)調(diào)優(yōu)，并且數(shù)據(jù)預(yù)處理過程中類別變量處理方式較為復(fù)雜，容易降低訓(xùn)練速度，影響預(yù)測效果。

另外，考慮到氣象因素與突發(fā)事件對光伏功率預(yù)測精度的影響，本文在前期有針對性地收集了光伏電站附近的數(shù)值氣象預(yù)報數(shù)據(jù)、天氣實況數(shù)據(jù)、光伏電站機組特性數(shù)據(jù)、檢修計劃數(shù)據(jù)、光伏電站出力數(shù)據(jù)等多種類型數(shù)據(jù)，訓(xùn)練AI（人工智能）預(yù)測模型，預(yù)測未來光伏發(fā)電出力［2］。由于光伏發(fā)電功率具有不平穩(wěn)、非線性特征，且外圍數(shù)據(jù)中存在較多類別變量（如天氣類型等數(shù)據(jù)），因此本文嘗試采用CatBoost 算法建立光電預(yù)測模型［15］。

1.1.1 CatBoost算法

CatBoost 和XGBoost、LightGBM 是GBDT（梯度提升樹）的主要算法。相比于傳統(tǒng)的GBDT，XGBoost算法得到的模型更加簡單，LightGBM算法的訓(xùn)練速度更快，而CatBoost 算法的準(zhǔn)確率更高。

CatBoost 算法的機器學(xué)習(xí)參數(shù)少，支持類別變量且精度高，在處理類別數(shù)據(jù)方面具有顯著優(yōu)勢，與其他算法相比，準(zhǔn)確性更好并提高了泛化能力［16］。在光伏發(fā)電功率的預(yù)測過程中，可能會出現(xiàn)梯度偏差及預(yù)測偏移，從而導(dǎo)致過擬合問題，而CatBoost 恰好能夠有效解決該問題。此外，CatBoost算法減少了對廣泛的超參數(shù)調(diào)整的需求，具有很高的魯棒性。與XGBoost、LightGBM 相比，CatBoost具有以下特點：

1）插入了能夠自動將類別型特征處理為數(shù)值型特征的新算法。

2）通過組合類別特征處理不同特征的聯(lián)系，豐富了特征維度。

3）采用排序提升處理數(shù)據(jù)集的噪聲點，解決了預(yù)測偏移的問題。

4）采用完全對稱樹作為基模型，避免了過擬合問題，增加了可靠性，加快了預(yù)測進程。

1.1.2 CatBoost特征處理

GBDT 中存在離散的特征（類別型特征），此類特征在算法輸入時需要經(jīng)過處理。最簡單的處理方法是Greedy TS，但Greedy TS采用類別特征對應(yīng)標(biāo)簽的平均值來替換離散特征，當(dāng)訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集的數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)分布不一致時，標(biāo)簽所替代的離散特征丟失了信息，會導(dǎo)致條件偏移。由此提出采用CatBoost 算法對Greedy TS進行改進［17］。

通過添加先驗分布項，使得數(shù)據(jù)分布免受噪聲和低頻的影響，即打亂數(shù)據(jù)集D={(xi.yi)}i=1，…，n順序，打亂后的序列是σ=(σ1，…，σn)，遍歷σ1到σn，用遍歷到的前p個記錄計算類別型特征的數(shù)值，具體公式如下：

式中：p為添加的先驗項；a為權(quán)重系數(shù)。

1.1.3 參數(shù)優(yōu)化

在參數(shù)優(yōu)化方面有多種選擇，最常用的是Grid Search和它的一些改進方法。

1）Grid Search

GSA（網(wǎng)格搜索算法）是一種窮舉搜索，它對輸入到搜索空間的每個超參數(shù)進行組合。將各個參數(shù)的可能取值進行排列組合，列出所有可能的組合“網(wǎng)格”。通過循環(huán)遍歷，嘗試每一種組合，最后選擇表現(xiàn)最好的參數(shù)組合為每個組合創(chuàng)建一個模型并進行比較。網(wǎng)格搜索是目前比較常見的超參數(shù)優(yōu)化算法，其缺點也很明顯：確定最優(yōu)超參數(shù)是一個NP-Hard 問題，因為需要處理的是超參數(shù)的組合，所以效率低下。

2）Optuna超參數(shù)優(yōu)化算法

由于Grid Search 沒有包含任何結(jié)構(gòu)化的方法來搜索最優(yōu)超參數(shù)集，因此考慮采用新算法對其進行優(yōu)化，以提高效率。Optuna 超參數(shù)調(diào)優(yōu)算法是基于貝葉斯優(yōu)化算法中的樹形帕曾優(yōu)化器（Parzen）對模型參數(shù)進行優(yōu)化的方法。

Optuna 可以通過不斷試錯的方法找到最好表現(xiàn)的最優(yōu)超參數(shù)值，具有以下主要特征：可實現(xiàn)分布式并行優(yōu)化；可修剪無希望調(diào)優(yōu)的試驗；通用于多個機器學(xué)習(xí)框架。

Optuna 主要基于運行的歷史數(shù)據(jù)來確定接下來需要測試的超參數(shù)各值的組合?；谝延袛?shù)據(jù)，選擇一些超參數(shù)組合區(qū)域并在該區(qū)域中進行超參數(shù)搜索嘗試。隨著不斷獲取新的結(jié)果，它也將更新這一區(qū)域并繼續(xù)搜索。在不斷重復(fù)搜索、評價更新的過程中獲取表現(xiàn)更好的超參數(shù)。

Optuna 可以在很復(fù)雜的空間中實現(xiàn)超參數(shù)優(yōu)化；可以通過預(yù)測終止可能性較小的參數(shù)區(qū)間，把更多的算力用于可能性更高的區(qū)域以提高搜索效率。整體而言，這是一種基于改進貝葉斯的試錯算法，當(dāng)向某一區(qū)域嘗試得到的效果變差即損失不再減小時停止該區(qū)域的搜索，嘗試到錯誤即淘汰，最后選出最優(yōu)的區(qū)域［18］。

1.2 特征工程

通常來說，短期光伏預(yù)測需要考慮多種因素，根據(jù)這些因素提取相應(yīng)的特征作為模型的輸入，從而提高模型的預(yù)測精度。但如果模型考慮了過多不必要的特征，反而容易陷入過擬合，降低模型的準(zhǔn)確性；并且過多的特征也會導(dǎo)致模型變得更加復(fù)雜，在訓(xùn)練和預(yù)測時增加計算耗時。因此，本文提出利用SHAP 方法對模型進行解釋，進而得到各個特征重要性，以便在進行特征選擇時剔除特征變量中不重要的特征。

1.2.1 SHAP

SHAP 以博弈論思想為基礎(chǔ)，用于解釋復(fù)雜算法中某一個樣本各個特征對預(yù)測結(jié)果產(chǎn)生的影響。SHAP 通過特征的歸因值來解釋其對模型預(yù)測的重要性。歸因值為正，代表該特征對模型預(yù)測體現(xiàn)正向作用；反之則為負向作用。模型的預(yù)測值由模型預(yù)測的平均值和特征的歸因值相加得到［19］。

如圖1所示，根據(jù)不同特征對光伏預(yù)測影響程度的重要性自上而下排序，紅色代表歸因值的正向作用，藍色代表歸因值的負向作用。分析可知，歷史同時刻負荷、氣象數(shù)據(jù)中的動量通量、長波輻射通量、短波輻射通量、感熱通量、云量、空氣密度、2 m相對濕度、溫度的部分統(tǒng)計量是影響光伏預(yù)測性能比較重要的變量。

圖1 基于SHAP方法的特征重要性排序Fig.1 SHAP-based ranking of features by the dominance

1.2.2 時間特征

選擇合適的時間特征可提高預(yù)測的精度。由前文分析可知，光伏發(fā)電功率數(shù)據(jù)具有日、月、季節(jié)的周期特性。因此，本文創(chuàng)建了如表1所示的時間特征［20］。

表1 時間特征Table 1 Time characteristics

1.2.3 功率特征

短期光伏預(yù)測具有明顯的周期性規(guī)律，具體體現(xiàn)在：不同日相同采樣點間的相似性；不同日之間整體變化規(guī)律的相似性；不同周、月、季節(jié)的相似性。

同時，受溫度等氣象因素的影響，光伏具有明顯的時滯特性。因此，本文構(gòu)建了如表2所示的光伏歷史數(shù)據(jù)相關(guān)特征。

表2 歷史發(fā)電功率特征Table 2 Historical generation power characteristics

1.2.4 氣象因素特征

利用氣象因素，采用更合理的數(shù)學(xué)模型與算法，可進一步提高光伏預(yù)測精度，減小誤差。因此，選擇的氣象數(shù)據(jù)特征見表3。

表3 氣象因素特征Table 3 Characteristics of meteorological factors

1.3 預(yù)測流程

開展光伏發(fā)電功率預(yù)測，首先要通過對現(xiàn)有的光伏歷史數(shù)據(jù)進行數(shù)據(jù)預(yù)處理和相關(guān)分析，尋找其在時序上的結(jié)構(gòu)性與規(guī)律性；同時分析外圍因素（如溫度、光照等天氣因素）對光伏發(fā)電功率預(yù)測的影響，利用特征工程建立相應(yīng)模型。預(yù)測流程如圖2所示，具體步驟如下：

圖2 預(yù)測流程Fig.2 Prediction flow

1）數(shù)據(jù)預(yù)處理：數(shù)據(jù)預(yù)處理是建立光伏發(fā)電功率預(yù)測模型的首要步驟。針對光伏以及相關(guān)的外圍數(shù)據(jù)，本文考慮采用基于回歸的缺失值處理、異常檢測、魯棒統(tǒng)計方法等多種方法對歷史數(shù)據(jù)進行預(yù)處理，建立較為完整的預(yù)測訓(xùn)練數(shù)據(jù)集，用于預(yù)測模型的訓(xùn)練。

2）功率曲線聚類：功率曲線統(tǒng)計的是多個光伏電站發(fā)電功率的總和。通常的聚類方式是根據(jù)日期屬性（如月、季節(jié)等）對數(shù)據(jù)集進行劃分，即相似日方法。本文在實際數(shù)據(jù)預(yù)處理后，通過對數(shù)據(jù)特性的分析，結(jié)合額外因素進行更有針對性的聚類，并在此基礎(chǔ)上構(gòu)造合適的統(tǒng)計特征。

3）歷史數(shù)據(jù)分析：歷史數(shù)據(jù)分析是建立光伏發(fā)電功率預(yù)測模型的必要條件。本文考慮采用時間序列分析、相關(guān)性分析等方法對光伏歷史數(shù)據(jù)及其外圍數(shù)據(jù)進行分析。

4）特征工程：特征工程包括特征選擇、特征轉(zhuǎn)化、特征提取等。本文結(jié)合分析結(jié)果，針對光伏發(fā)電功率以及相關(guān)數(shù)據(jù)，利用SHAP 分析方法進行特征篩選。考慮在獲得數(shù)據(jù)后進行詳細的探索性分析，進而建立針對本文的功率預(yù)測特征集。特征集考慮的數(shù)據(jù)包括預(yù)測區(qū)域光伏歷史數(shù)據(jù)和天氣預(yù)報等數(shù)據(jù)。

5）模型訓(xùn)練：首先將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)，其次訓(xùn)練數(shù)據(jù)細分為訓(xùn)練集和驗證集，測試數(shù)據(jù)作為測試集。將所選擇的特征作為輸入，當(dāng)日光伏發(fā)電功率作為輸出，利用訓(xùn)練集訓(xùn)練模型，同時利用Optuna 方法優(yōu)化調(diào)整模型參數(shù)，構(gòu)建最佳模型。

6）應(yīng)用：根據(jù)選擇的多維特征和訓(xùn)練好的模型對未來光伏發(fā)電功率進行預(yù)測。

1.4 評價指標(biāo)

為衡量預(yù)測模型的性能優(yōu)劣，本文采用多種評判方式對模型預(yù)測精度進行評估，主要評價指標(biāo)如式（2）—（5）所示［15，21-22］。

式中：yi為第i時刻的實際采集數(shù)據(jù)；為第i時刻的預(yù)測數(shù)據(jù)；n為預(yù)測值個數(shù)；SMAE、SMSE、SRMSE、SR2分別表示光伏樣本數(shù)據(jù)的MAE（平均絕對誤差）、MSE（均方誤差）、RMSE（均方根誤差）、決定系數(shù)。

2 算例分析

2.1 實驗數(shù)據(jù)

本文采用某光伏電站2019-01-01 T 00：00 至2020-12-31 T 23：45 的光伏發(fā)電功率數(shù)據(jù)進行分析。該電站額定容量為2.41 MW，系統(tǒng)采樣頻率為每15 min一次，即一天96個點。選擇前80%數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，剩余20%數(shù)據(jù)為測試數(shù)據(jù)。

首先根據(jù)該光伏電站額定容量、擴容信息、限電信息對其歷史發(fā)電數(shù)據(jù)進行缺失值、異常值的數(shù)據(jù)預(yù)處理，依據(jù)該電站的額定容量、檢修信息、擴容信息進行標(biāo)幺化處理，標(biāo)幺化基值為可用功率，得到該電站的標(biāo)幺值（即歷史光伏發(fā)電功率與可用功率之比），這樣可有效避免因訓(xùn)練集時間跨度長而變電站部分檢修或擴容導(dǎo)致歷史光伏發(fā)電功率驟減、驟升，進而影響預(yù)測精度。

選取處理后的部分光伏數(shù)據(jù)示于圖3?？梢钥闯觯夥l(fā)電功率具有很明顯的日周期特性［23］。

圖3 光伏發(fā)電功率時序圖Fig.3 Sequence diagram of PV generation power

2.2 功率曲線

太陽輻照度是影響光伏電站發(fā)電功率的主要因素，具有以年、月、日為周期變化的特性，因此會對光伏發(fā)電功率帶來相應(yīng)的周期性變化。因此，本文根據(jù)月屬性對光伏歷史發(fā)電功率數(shù)據(jù)集進行聚合分析，聚合結(jié)果如圖4所示。

圖4 光伏數(shù)據(jù)按月屬性聚合圖Fig.4 Diagram of monthly PV data aggregation

圖4 的x軸表示采樣點，即00：00—24：00 每15 min 采樣一次，共96 個采樣點。12 條曲線分別是1—12月的月均值曲線。從圖4可以看出，光伏發(fā)電功率具有明顯的日周期特性，出力大致集中在一天中的8：00—16：00，并在12：00—14：00 達到頂峰，太陽落山后光伏出力值為0；從每條曲線非0值寬度可以看出，光伏日發(fā)電時長明顯隨著日照時間長短而改變，冬天最短，夏天最長；從每條曲線高度可以看出，光伏發(fā)電功率大小明顯隨著月份、季節(jié)變化，冬天較低，夏天較高。因此光伏發(fā)電功率具有明顯的日、月、季節(jié)周期性特征。

2.3 預(yù)測結(jié)果分析

根據(jù)1.2 節(jié)所選擇的特征得到如圖5 所示預(yù)測模型。通過監(jiān)測歷史光伏發(fā)電功率、天氣數(shù)據(jù)、時間特征，結(jié)合當(dāng)天天氣數(shù)據(jù)、時間特征以及月度、年度光伏發(fā)電功率特征數(shù)據(jù)，利用CatBoost算法預(yù)測當(dāng)日光伏發(fā)電功率。

圖5 光伏預(yù)測模型結(jié)構(gòu)Fig.5 PV prediction model structure

2.3.1 基于CatBoost算法的預(yù)測模型優(yōu)勢

圖6是2021年6月某日光伏預(yù)測曲線，其中曲線分別是原始光伏曲線和基于DTR（決策樹回歸）、KNN（K 最鄰近）、GBDT、LightGBM、CatBoost 算法的預(yù)測結(jié)果，均是利用Optuna 方法進行超參數(shù)調(diào)優(yōu)后的結(jié)果。從圖6可以看出，所有模型的預(yù)測曲線與原始時序曲線變化趨勢均保持一致，但基于CatBoost 算法的模型預(yù)測結(jié)果更貼近真實曲線。

圖6 光伏發(fā)電功率預(yù)測曲線Fig.6 Diagram of prediction curves of PV generation power

表4為光伏預(yù)測評價指標(biāo)。可以看出，本文所提出的基于CatBoost 算法的光伏預(yù)測模型的SRMSE分別比DTR、KNN、GBDT、LightGBM 下降了26.66%、7.5%、22.14%、20%，說明在不同的評價指標(biāo)下，基于CatBoost 算法的模型預(yù)測精度優(yōu)于其他模型，CatBoost 用于光伏發(fā)電功率預(yù)測具有很高的精度，適用于真實數(shù)據(jù)預(yù)測。

表4 不同算法的光伏預(yù)測誤差評價指標(biāo)對比Table 4 Comparison of PV prediction error evaluation indicators of different algorithms

2.3.2 基于CatBoost算法的模型預(yù)測性能

為了驗證本文所構(gòu)建的特征的優(yōu)異性和有效性，選取以下5種光伏模型進行驗證：模型1，考慮近2 天光伏歷史數(shù)據(jù)的CatBoost 算法模型；模型2，考慮近7天光伏歷史數(shù)據(jù)的CatBoost算法模型；模型3，在模型2基礎(chǔ)上增加相關(guān)時間特性及光伏統(tǒng)計特性的CatBoost 模型；模型4，在模型3上增加天氣特征的算法CatBoost模型；模型5，對模型4中特征先根據(jù)SHAP值篩選再利用CatBoost預(yù)測的模型。

圖7為采用5種模型得到的2021年6月某日光伏預(yù)測曲線與原始光伏曲線的對比?？梢钥闯觯心Ｐ偷念A(yù)測曲線與原始時序曲線變化趨勢保持一致，但模型5的結(jié)果更貼近真實曲線。

圖7 光伏發(fā)電功率預(yù)測曲線Fig.7 Prediction curves of PV generation power

表5 列出了不同類型的光伏預(yù)測誤差評價指標(biāo)，可以看出，模型5 的SRMSE比模型1—4 分別降低了38.11%、32.15%、19.86%、19.00%，說明本文提出的模型誤差評價指標(biāo)更優(yōu)，所采用的CatBoost 算法具有很好的預(yù)測性能，且提出的先根據(jù)SHAP 值特征篩選再利用CatBoost 預(yù)測的方法有效提高了預(yù)測精度，適用于真實數(shù)據(jù)預(yù)測。

表5 不同類型的光伏預(yù)測誤差評價指標(biāo)對比Table 5 Comparison of different evaluation indicators for PV prediction errors

經(jīng)對比分析，本文提出的基于CatBoost算法、融合多維特征的模型具有很好的預(yù)測性能，預(yù)測精度較高。本文提出的光伏預(yù)測模型SRMSE為157.45 MW，結(jié)合案例中光伏額定容量2.41 MW分析知，SRMSE控制在額定容量6.5%左右，而前期調(diào)研時了解到國內(nèi)外同類光伏預(yù)測項目的SRMSE與額定容量的比值約為10%，從而說明本文所提光伏預(yù)測模型的優(yōu)越性。

3 結(jié)語

在目前構(gòu)造以新能源為主體的新型電力系統(tǒng)的大背景下，更加準(zhǔn)確的光伏發(fā)電功率預(yù)測技術(shù)成為電網(wǎng)規(guī)劃和電力調(diào)度不可或缺的一部分，本文提出了一種基于CatBoost 算法、融合多維特征的預(yù)測模型。

1）該模型通過特征之間的聯(lián)系，使用組合類別特征，豐富了特征維度。CatBoost 還解決了梯度偏差以及預(yù)測偏移的問題。

2）利用SHAP 方法進行特征分析篩選，論證了結(jié)合光伏發(fā)電原理與發(fā)電功率特征分析結(jié)果的特征篩選對預(yù)測精度提升的重要性。

3）通過在同樣特征上基于不同的機器學(xué)習(xí)算法模型的預(yù)測精度的對比，證實了基于CatBoost算法的模型具有很好的預(yù)測性能。

在進一步提升光伏功率預(yù)測精準(zhǔn)度的探索中，有兩個方向值得重點關(guān)注：一是考慮到光伏出力本身的波動性與不確定性，加入實時校正模塊，使得在歷史數(shù)據(jù)中訓(xùn)練的模型可以在線自我調(diào)節(jié)，更適合當(dāng)前的氣象情況；二是可嘗試多種模型的組合，使得功率預(yù)測能兼顧到各個模型在不同時間段、不同特征上的局部優(yōu)勢，最終得到整體最優(yōu)的模型和最精準(zhǔn)的預(yù)測結(jié)果。