基于季節(jié)劃分和GBDT 算法的光伏短期發(fā)電功率預(yù)測研究

胡志亮　董新微　萬祥虎　江蒗　周志國

關(guān)鍵詞：光伏；GBDT；氣象數(shù)據(jù)；出力預(yù)測

中圖分類號：TP301 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）02-0100-03

1 引言

21世紀(jì)以來，現(xiàn)代化工業(yè)的迅速發(fā)展給全球能源供應(yīng)和環(huán)境治理帶來了嚴(yán)峻的挑戰(zhàn)，能源危機(jī)和環(huán)境保護(hù)問題的日益突出。一方面，隨著煤炭、石油等化石燃料的高速消耗，導(dǎo)致化石燃料的自然生產(chǎn)量不能滿足人類發(fā)展需求，造成能源短缺；另一方面，大量CO2 的排放導(dǎo)致了溫室效應(yīng)和臭氧破壞等環(huán)境問題，嚴(yán)重威脅了人類的生存。因此大量發(fā)展綠色、清潔、可持續(xù)能源成為解決上述問題的必然措施。

近年來光伏發(fā)電以其綠色、清潔、環(huán)保等特點，得到迅速發(fā)展，以光電代替火電也成為我國能源結(jié)構(gòu)調(diào)整必然趨勢。但光伏因受天氣類型、太陽輻照度、溫度等氣象因素影響，其出力水平具有波動性、間接性等特點，這些特性嚴(yán)重影響了光伏發(fā)電消納水平，造成清潔能源浪費。因此開展光伏發(fā)電功率預(yù)測研究對促進(jìn)光伏產(chǎn)業(yè)發(fā)展和清潔能源消納具有重要意義。

本文基于天氣類型和GBDT[1]算法進(jìn)行光伏短期發(fā)電功率預(yù)測研究，構(gòu)建一套能夠預(yù)測光伏短期發(fā)電功率模型，能夠有效提升光伏短期發(fā)電功率[2]的專準(zhǔn)確性。

2 光伏發(fā)電影響因素

影響光伏發(fā)電效率的因素眾多，正常投用的光伏系統(tǒng)，其位置及各項組件已經(jīng)固定，這些因素對光伏發(fā)電功率影響都隱含在歷史出力數(shù)據(jù)中，因此只需考慮影響光伏出力的外部氣象因素。本文使用安徽某光伏場站的2018 年數(shù)據(jù)，以其出力數(shù)據(jù)和各類氣象要素數(shù)據(jù)為分析對象，分析光伏發(fā)電影響因素[3]。

2.1 溫度-出力關(guān)系

通過選取光伏場站任意一天發(fā)電功率數(shù)據(jù)和場站的溫度數(shù)據(jù)，繪制溫度-出力關(guān)系圖，如圖1 所示，當(dāng)溫度上升時，光伏發(fā)電功率也隨之增加，兩者呈現(xiàn)明顯正相關(guān)性，這是因為光伏組件周圍環(huán)境溫度影響了光伏組件的光電轉(zhuǎn)換效率[4]。

2.2 輻射度-出力關(guān)系

通過選取光伏場站任意一天發(fā)電功率數(shù)據(jù)和場站的輻照度數(shù)據(jù)，繪制輻照度-出力關(guān)系圖，如圖2 所示，由圖可知，光伏發(fā)電功率曲線與輻照度曲線有很強(qiáng)的相似性。這是因為光伏電站的發(fā)電功率與太陽輻射強(qiáng)度有直接關(guān)系，太陽輻照度越強(qiáng)，發(fā)電功率也越大。

2.3 天氣類型-出力關(guān)系

通過選取光伏場站晴天、多云、陰天、降水4 種天氣類型下發(fā)電功率數(shù)據(jù)，繪制發(fā)電功率曲線圖，如圖3 所示，各種天氣類型下發(fā)電功率有明顯的區(qū)別。由于各天氣類型是通過太陽輻照強(qiáng)度、溫度等因素的共同作用影響光伏發(fā)電功率的，而天氣類型主要決定了光伏發(fā)電功率的峰值，因此天氣類型是影響光伏出力水平的一個重要因素。

通過選取光伏場站任意一天發(fā)電功率數(shù)據(jù)和場站的濕度數(shù)據(jù)，繪制濕度-出力關(guān)系圖，如圖4 所示，由圖可知發(fā)電功率與濕度呈負(fù)相關(guān)性，這是由于當(dāng)空氣中濕度較大時，水汽吸收了一部分太陽輻照強(qiáng)度，導(dǎo)致光伏組件上的輻照強(qiáng)度減弱，發(fā)電功率也隨之減少，反之，當(dāng)空氣濕度降低時，照射在光伏組件上的光照強(qiáng)度會增強(qiáng)，光伏發(fā)電功率會相應(yīng)提升。

3 模型構(gòu)建

3.1 數(shù)據(jù)選擇

本文研究采用的數(shù)據(jù)來源安徽省某光伏場站，該場站設(shè)有微氣象采集設(shè)備，因此能夠提供光伏實際出力數(shù)據(jù)和場站歷史氣象數(shù)據(jù)。共采集場站2018 年有效發(fā)電功率數(shù)據(jù)96782條，氣象數(shù)據(jù)95869 條。通過數(shù)據(jù)清洗和時間匹配，最終獲得有效數(shù)據(jù)對（氣象數(shù)據(jù)，發(fā)電功率數(shù)據(jù)）89144 條數(shù)據(jù)。

3.2 模型設(shè)計

3.2.1 數(shù)據(jù)劃分

本文基于季節(jié)特性，將數(shù)據(jù)集劃分為四個子集，分別用D1，D2，D3，D4 表示，然后將每個子集按照7：3 的比例劃分訓(xùn)練集[5]和測試集兩部分，分別記為Di1，Di2（i=1，2，3，4），Di1 作為相應(yīng)季節(jié)的模型構(gòu)建數(shù)據(jù)基礎(chǔ)，Di2 作為相應(yīng)季節(jié)的模型測試數(shù)據(jù)。

3.2.2 模型構(gòu)建

模型構(gòu)建思路及方法總體架構(gòu)圖如圖5所示。

本文使用梯度提升樹GBDT（Gradient BoostingDecision Tree）進(jìn)行模型構(gòu)建，GBDT 是一種基于Boosting 樹[6]的集成算法，其集成方式為梯度提升法（Gradient Boosting）。該算法原理是通過組合梯度提升和回歸決策樹法，實現(xiàn)后決策樹在前決策樹損失函數(shù)的梯度下降方向上進(jìn)行訓(xùn)練，從而實現(xiàn)對預(yù)測值進(jìn)行一系列精確化。模型構(gòu)建具體步驟如下。

第一步，初始化弱學(xué)習(xí)器：

其中，L （y_i，γ） 為損失函數(shù)，N 代表訓(xùn)練集個數(shù)，y_i第i 個樣本發(fā)電功率值數(shù)據(jù)，為訓(xùn)練集中發(fā)電功率的均值。

第二步，首先計算當(dāng)前損失函數(shù)的負(fù)梯度：

從Di2（i=1，2，3，4）數(shù)據(jù)集中分別選取春、夏、秋、冬天數(shù)各10 天數(shù)據(jù)，即每個模型共選取40 天的數(shù)據(jù)，分別作為4 個模型的測試集，進(jìn)行模型預(yù)測準(zhǔn)確率分析，將每天288 條數(shù)據(jù)預(yù)測結(jié)果通過公式（6）計算，得到每天的預(yù)測準(zhǔn)確率，通過計算分析得到四個模型的預(yù)測準(zhǔn)確率，計算結(jié)果如圖6 所示。

根據(jù)圖6 分析，四個模型的預(yù)測準(zhǔn)確率基本在75%到87%之間。其中V1 與V3 預(yù)測準(zhǔn)確率相近，準(zhǔn)確率在80%到87%之間；V2 模型的波動性較大，主要在76%到86%之間波動，經(jīng)過分析，主要是因為夏天天氣類型變化較多，模型針對多變的天氣發(fā)電功率預(yù)測相對還不夠穩(wěn)定；

V4模型的預(yù)測準(zhǔn)確率較為穩(wěn)定，預(yù)測準(zhǔn)確率在81%到85%之間。經(jīng)上述分析，本文研究的短期光伏發(fā)電預(yù)測算法能夠滿足光伏預(yù)測準(zhǔn)確率的需求。

4 結(jié)束語

本文以安徽某光伏場站歷史出力數(shù)據(jù)和氣象數(shù)據(jù)為建?；A(chǔ)，分析了影響光伏出力水平的主要氣象要素，提出通過按照季節(jié)劃分?jǐn)?shù)據(jù)集，并基于GBDT 進(jìn)行光伏發(fā)電預(yù)測模型構(gòu)建的研究方法。首先通過季節(jié)劃分，將數(shù)據(jù)劃分為不同數(shù)據(jù)集，預(yù)測模型直接以氣象信息和歷史發(fā)電功率數(shù)據(jù)作為輸入，以對應(yīng)時刻的發(fā)電功率值為輸出，分別訓(xùn)練了4個季節(jié)的發(fā)電模型，可有效提高光伏發(fā)電預(yù)測準(zhǔn)確性。經(jīng)測試分析，多模型預(yù)測有效地提高了光伏發(fā)電預(yù)測效果，符合光伏場站并網(wǎng)[8]管控需求。