基于考慮誤差修正的非線性自適應(yīng)權(quán)重組合模型的光伏發(fā)電功率預(yù)測

文章編號：1671-3559（2024）02-0250-07DOI：10.13349/j.cnki.jdxbn.20231126.001

摘要： 為了提高光伏電站光伏發(fā)電功率預(yù)測精度，解決極限梯度提升模型、 長短期記憶模型2種傳統(tǒng)單一模型及傳統(tǒng)組合模型極限梯度提升-長短期記憶模型的光伏發(fā)電功率預(yù)測結(jié)果滯后、 預(yù)測效果易突變、 預(yù)測誤差較大、 線性擬合性較差等不足，基于極限梯度提升算法、 長短期記憶算法和線性自適應(yīng)權(quán)重，提出一種考慮誤差修正的非線性自適應(yīng)權(quán)重極限梯度提升-長短期記憶模型進(jìn)行光伏發(fā)電功率預(yù)測；分別使用極限梯度提升算法和長短期記憶算法訓(xùn)練得到2種單一模型，將2種單一模型的初步預(yù)測值和真實(shí)值組成新的訓(xùn)練數(shù)據(jù)集，利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練所提出的模型，對2種單一模型的初步預(yù)測值分配自適應(yīng)權(quán)重系數(shù)，并根據(jù)訓(xùn)練時(shí)所提出模型的預(yù)測值大小分段統(tǒng)計(jì)預(yù)測誤差的分布，預(yù)測時(shí)根據(jù)所提出模型的預(yù)測值在預(yù)測結(jié)果的基礎(chǔ)上累加誤差均值從而進(jìn)行誤差修正， 進(jìn)一步提高所提出模型的預(yù)測精度； 利用Python語言分別對所提出的模型、 傳統(tǒng)組合模型和2種傳統(tǒng)單一模型在晴天、 陰天和雨天的光伏發(fā)電功率預(yù)測性能進(jìn)行仿真。 結(jié)果表明： 與極限梯度提升-長短期記憶模型、 極限梯度提升模型、 長短期記憶模型相比， 所提出模型的均方根誤差分別減小28.57%、 39.39%、 49.79%， 平均絕對誤差分別減小44.25%、 53.33%、 64.8%，決定系數(shù)分別增大1.43%、 2.38%、 3.34%，所提出的模型更有效地減小了傳統(tǒng)單一模型的光伏發(fā)電功率預(yù)測誤差，優(yōu)化了傳統(tǒng)組合模型的權(quán)重系數(shù)；3種天氣條件下所提出模型的光伏發(fā)電功率預(yù)測誤差相對最小且穩(wěn)健性最強(qiáng)，驗(yàn)證了所提出模型的有效性。

關(guān)鍵詞： 光伏發(fā)電； 功率預(yù)測； 自適應(yīng)權(quán)重； 誤差修正； 極限梯度提升算法； 長短期記憶算法

中圖分類號： TM711

文獻(xiàn)標(biāo)志碼： A

開放科學(xué)識別碼（OSID碼）：

Photovoltaic Power Prediction Based on Nonlinear

Adaptive Weight Combination Model Considering Error Correction

CHEN Deyu1， ZHANG Wei1， WANG Hui2

（1. School of Information and Automation Engineering， Qilu University of Technology （Shandong Academy of Sciences）， Jinan 250353，

Shandong， China; 2. School of Electrical Engineering， Shandong University， Jinan 250061， Shandong， China）

Abstract： To improve accuracy of photovoltaic power prediction in photovoltaic power plants and solve shortcomings of two traditional single models of extreme gradient boosting model and long short term memory model as well as traditional combined model of extreme gradient boosting-long short term memory model， such as delayed results of photovoltaic power prediction， easy to change the prediction effect， large prediction error， and poor linear fitting， on the basis of extreme gradient boosting algorithm， long short term memory algorithm， and linear adaptive weight， a nonlinear" adaptive weight extreme gradient boosting-long short term memory model considering error correction was proposed for photovoltaic power

收稿日期： 2022-12-07""""""""" 網(wǎng)絡(luò)首發(fā)時(shí)間：2023-12-27T12：00：31

基金項(xiàng)目： 國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFE0208400）

第一作者簡介： 陳德余（1997—），男，江蘇淮安人。碩士研究生，研究方向?yàn)樾履茉窗l(fā)電功率預(yù)測。E-mail： 1902828023@qq.com。

通信作者簡介： 張瑋（1973—）， 女， 山東德州人。 副教授， 博士， 碩士生導(dǎo)師， 研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)、 分布式發(fā)電。 E-mail：

zhangwei_jn@126.com。

網(wǎng)絡(luò)首發(fā)地址： https：//link.cnki.net/urlid/37.1378.n.20231226.1120.002

prediction. Preliminary predicted values and real values of the two single models which were trained by using extreme gradient boosting algorithm and long short term memory algorithm respectively were composed into a new training data set. Initial predicted values of the two single models were assigned adaptive weight coefficients through the proposed model trained by using neural network algorithm. Moreover， the distribution of prediction errors was calculated piecewise according to the predicted value of the proposed model in the training， and the mean of errors was accumulated according to the predicted value of the proposed model on the basis of the predicted result for error correction， so as to further improve prediction accuracy of the proposed model. Photovoltaic power prediction performances of the proposed model， traditional combined model and two traditional single models on sunny， cloudy， and rainy days were simulated by using Python language. The results show that compared with extreme gradient boosting-long short term memory model， extreme gradient boosting model， and long short term memory model， the square root mean error of the proposed model is reduced by 28.57%， 39.39% and 49.79%， the mean absolute error is reduced by 44.25%， 53.33% and 64.8%， and the coefficient of determination is increased by 1.43%， 2.38% and 3.34%， respectively. The proposed model is more effective in reducing the photovoltaic power prediction error of the traditional single models and optimizing the weight coefficients of the traditional combined model. Under the three weather conditions， the photovoltaic power prediction error of the proposed model is relatively minimum and the robustness is the strongest， which verifies the effectiveness of the proposed model.

Keywords： photovoltaic; power prediction; adaptive weight; error correction; extreme gradient boosting algorithm; long short term memory algorithm

近年來，我國光伏發(fā)電產(chǎn)業(yè)增長趨勢顯著。2021年，我國新增光伏發(fā)電并網(wǎng)裝機(jī)容量約為5.3×104 kW，截至2021年底，光伏發(fā)電并網(wǎng)裝機(jī)容量達(dá)到3.06×108 kW，突破3×108 kW大關(guān)［1］。光伏發(fā)電功率具有隨機(jī)性和波動性，導(dǎo)致大量光伏發(fā)電并網(wǎng)對電網(wǎng)造成巨大的安全隱患，因此光伏發(fā)電功率預(yù)測研究具有重要意義。對光伏發(fā)電未來一段時(shí)間的輸出功率進(jìn)行預(yù)測，然后根據(jù)預(yù)測結(jié)果預(yù)留一定消納空間是一種有效的技術(shù)手段。隨著人工智能的發(fā)展，尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的不斷深入，越來越多的學(xué)者開始使用人工智能的方法對光伏發(fā)電功率進(jìn)行預(yù)測，主要包括極限梯度提升（extreme gradient boosting，XGBoost）算法和長短期記憶（long short term memory，LSTM）算法。文獻(xiàn)［2］中提出一種基于變分模態(tài)分解（variational mode decomposition，VMD）-LSTM與誤差補(bǔ)償?shù)墓夥l(fā)電超短期功率預(yù)測模型，利用VMD時(shí)間序列使LSTM模型更好地提取時(shí)序數(shù)據(jù)中的時(shí)間特征。文獻(xiàn)［3］中通過考慮光伏發(fā)電功率時(shí)間序列和提取影響光伏發(fā)電功率的多特征建立聯(lián)合模型，提出一種基于XGBoost聯(lián)合模型的光伏發(fā)電功率預(yù)測模型，利用XGBoost算法集成學(xué)習(xí)［4-5］的思想，取得了較好的預(yù)測效果。上述研究本質(zhì)上都是基于單一算法進(jìn)行模型訓(xùn)練的，LSTM算法的預(yù)測結(jié)果具有滯后性，并且隨著預(yù)測時(shí)間的延長，預(yù)測效果變差，同時(shí)，XGBoost算法在某個(gè)隨機(jī)樣本處的預(yù)測效果會發(fā)生突變。為此，越來越多的學(xué)者開始考慮XGBoost-LSTM模型，但是該組合模型如何分配權(quán)重系數(shù)才能更有效地減小傳統(tǒng)單一模型的預(yù)測誤差成為新的研究課題。文獻(xiàn)［6］中提出基于誤差倒數(shù)法的XGBoost-LSTM模型，對XGBoost模型、 LSTM模型的預(yù)測值進(jìn)行權(quán)重系數(shù)分配，減小了2種單一模型的預(yù)測誤差。文獻(xiàn)［7］中提出線性自適應(yīng)權(quán)重的XGBoost-LSTM模型，結(jié)果表明，該模型可以減小傳統(tǒng)單一模型的預(yù)測誤差，但無法擬合復(fù)雜曲線。

為了解決XGBoost模型、 LSTM模型2種傳統(tǒng)單一模型以及傳統(tǒng)組合模型XGBoost-LSTM模型的以上不足，提高光伏發(fā)電功率預(yù)測精度，本文中基于XGBoost算法、 LSTM算法和線性自適應(yīng)權(quán)重，提出考慮誤差修正的非線性自適應(yīng)權(quán)重XGBoost-LSTM模型（簡稱本文模型）進(jìn)行光伏發(fā)電功率預(yù)測。首先對原始數(shù)據(jù)進(jìn)行異常值處理、 相關(guān)性分析和歸一化處理；然后將分別利用XGBoost算法、 LSTM算法訓(xùn)練所得2種單一模型的初步預(yù)測值和真實(shí)值組成新的訓(xùn)練數(shù)據(jù)集，使用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練本文模型，對2個(gè)單一模型的初步預(yù)測值分配自適應(yīng)權(quán)重系數(shù)；最后根據(jù)訓(xùn)練時(shí)本文模型的預(yù)測值大小分段統(tǒng)計(jì)預(yù)測誤差的分布，預(yù)測時(shí)根據(jù)本文模型的預(yù)測值在預(yù)測結(jié)果的基礎(chǔ)上累加誤差均值進(jìn)行誤差修正，進(jìn)一步提高本文模型的預(yù)測精度。在晴天、 陰天、 雨天3種天氣條件下，利用Python語言對4種模型的光伏發(fā)電功率預(yù)測性能進(jìn)行仿真，驗(yàn)證本文模型的有效性。

1" 基本理論

1.1" XGBoost算法

XGBoost算法由很多分類回歸樹集成所得。首先構(gòu)建多個(gè)分類回歸樹對數(shù)據(jù)集進(jìn)行預(yù)測，其中第1棵樹擬合數(shù)據(jù)集的標(biāo)簽值，后面的樹擬合前1棵樹的標(biāo)簽值與前1棵樹預(yù)測值的殘差，算法訓(xùn)練迭代K輪得到K棵分類回歸樹，每棵樹包含T個(gè)葉子節(jié)點(diǎn)；然后根據(jù)要預(yù)測的樣本落在每棵樹的葉子節(jié)點(diǎn)位置，得到對應(yīng)的葉子節(jié)點(diǎn)分?jǐn)?shù)，該分?jǐn)?shù)即為該樣本在該棵樹的預(yù)測值；最后將該樣本在所有樹的預(yù)測值相加作為該樣本最終的預(yù)測結(jié)果。

XGBoost算法第m次迭代的目標(biāo)損失函數(shù)［8］為

L（m）=∑ni=1l（yi， y^i）+γT+12

λ∑Tj=1w2j ，（1）

式中： n為樣本個(gè)數(shù)； l（yi， y^i ）為第i個(gè)樣本標(biāo)簽值yi與第i個(gè)樣本預(yù)測值y^i之間的誤差函數(shù)；γT+12λ∑Tj=1w2j 為正則化項(xiàng)，用于減小模型復(fù)雜度， γ、 λ為正則化項(xiàng)的懲罰系數(shù)， T為葉子結(jié)點(diǎn)個(gè)數(shù)， wj為葉子結(jié)點(diǎn)j的預(yù)測值。

對式（1）進(jìn)行二階泰勒公式展開，可得簡化的目標(biāo)損失函數(shù)［8］為

L（m）=∑ni=1gifm（xi）+12hif2m（xi）γT+12λ∑Tj=1w2j=

∑Tj=1wj∑i∈Ijgi+w2j2∑i∈Ijhi+λ+γT ，（2）

式中： gi、 hi分別為誤差函數(shù)的一階、 二階導(dǎo)數(shù)； fm（xi）為第m棵樹在第i個(gè)樣本特征xi處的預(yù)測值；Ij={iq（xi）=j}為葉子結(jié)點(diǎn)j的樣本集合。令Gi=∑i∈Ijgi， Hj=∑i∈Ijhi，對目標(biāo)損失函數(shù)關(guān)于wj求導(dǎo)，得葉子結(jié)點(diǎn)的最優(yōu)權(quán)重值為

w*j=-GiHj+λ 。（3）

1.2" LSTM算法

LSTM算法在循環(huán)神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上增加了遺忘門、 輸入門、 輸出門3個(gè)邏輯門控單元，有效地克服了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)算法普遍存在的梯度消失問題［9］。LSTM算法加入了細(xì)胞記憶單元，包括當(dāng)前候選細(xì)胞狀態(tài)和t時(shí)刻細(xì)胞狀態(tài)，實(shí)現(xiàn)了在多個(gè)時(shí)間步長上的穩(wěn)定學(xué)習(xí)，保存數(shù)據(jù)狀態(tài)為隱層輸出。圖1所示為LSTM算法結(jié)構(gòu)［7］。

Ct—t時(shí)刻細(xì)胞狀態(tài)； Ct-1—當(dāng)前候選細(xì)胞狀態(tài)； ht—t時(shí)刻

網(wǎng)絡(luò)輸出； ht-1—上一時(shí)刻網(wǎng)絡(luò)輸出； xt—t時(shí)刻網(wǎng)絡(luò)輸入；

ft—遺忘門； it—輸入門； ot—輸出門；

σ—Sigmoid函數(shù)； tanh—雙曲正切函數(shù)。

圖1" 長短期記憶算法結(jié)構(gòu)［7］

2" 模型建立

基于XGBoost算法、 LSTM算法訓(xùn)練得到2個(gè)單一模型，提供數(shù)據(jù)準(zhǔn)備。為了優(yōu)化傳統(tǒng)XGBoost-LSTM模型的權(quán)重系數(shù)，使用非線性自適應(yīng)權(quán)重的方法分配權(quán)重系數(shù)。首先為了提升預(yù)測效果，對原始數(shù)據(jù)進(jìn)行有效預(yù)處理和分析，包括異常值處理、相關(guān)性分析和歸一化處理；然后將基于XGBoost算法、LSTM算法訓(xùn)練所得2個(gè)單一模型的初步預(yù)測值和真實(shí)值組成新的訓(xùn)練數(shù)據(jù)集?；诖藬?shù)據(jù)集， 利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得到本文模型。 最后根據(jù)訓(xùn)練時(shí)本文模型的預(yù)測值大小分段統(tǒng)計(jì)預(yù)測誤差的分布， 預(yù)測時(shí)根據(jù)本文模型的預(yù)測值在預(yù)測結(jié)果的基礎(chǔ)上累加誤差均值進(jìn)行誤差修正。 本文模型在傳統(tǒng)模型的基礎(chǔ)上， 改進(jìn)組合模型的權(quán)重系數(shù)分配， 并增加誤差修正，進(jìn)一步改善模型的預(yù)測效果。 本文模型結(jié)構(gòu)和預(yù)測流程如圖2所示。

2.1" 原始數(shù)據(jù)來源

本文中原始數(shù)據(jù)來源于寧夏某光伏電站的歷史實(shí)測數(shù)據(jù)。 該光伏電站額定裝機(jī)容量為50 MW， 選取2019年全年和2020年部分實(shí)測數(shù)據(jù)， 時(shí)間分辨率為15 min， 選取每天7：00—19：00共48個(gè)時(shí)刻的數(shù)據(jù)用于訓(xùn)練和預(yù)測。 數(shù)據(jù)集包含總輻照度、 法向直射輻照度、 水平面散射輻照度、 氣溫、 氣壓和相對濕度共6種氣象特征實(shí)測數(shù)據(jù)以及歷史實(shí)際輸出功率。

2.2" 異常數(shù)據(jù)處理

異常數(shù)據(jù)是指在歷史數(shù)據(jù)的實(shí)際測量過程中，因環(huán)境干擾而導(dǎo)致數(shù)據(jù)錯(cuò)誤或因人為因素、 設(shè)備故障等而導(dǎo)致數(shù)據(jù)缺失。異常數(shù)據(jù)會對模型最終預(yù)測結(jié)果造成較大影響，為了提高模型的預(yù)測精度，需要對異常數(shù)據(jù)進(jìn)行刪除或補(bǔ)充。

異常數(shù)據(jù)檢測常用的方法有統(tǒng)計(jì)分析、 箱線圖

和3倍標(biāo)準(zhǔn)差原則。利用統(tǒng)計(jì)分析統(tǒng)計(jì)數(shù)據(jù)的最小、 最大值，根據(jù)數(shù)據(jù)的平均數(shù)和中位數(shù)判斷取值是否超出合理范圍。箱線圖通過數(shù)據(jù)集的四分位數(shù)形成圖形化描述，是非常簡單且有效的可視化離群點(diǎn)的方法。3倍標(biāo)準(zhǔn)差原則將數(shù)據(jù)與數(shù)據(jù)均值之差是否超過3倍標(biāo)準(zhǔn)差作為判斷標(biāo)準(zhǔn)。

常用的異常數(shù)據(jù)處理方法有直接刪除和使用平均數(shù)、 中位數(shù)、 上一個(gè)非異常數(shù)據(jù)、下一個(gè)非異常數(shù)據(jù)進(jìn)行填充等。

2.3" 相關(guān)性分析

皮爾遜相關(guān)系數(shù)可以衡量光伏發(fā)電氣象特征數(shù)據(jù)和實(shí)際功率之間的相似度大小。根據(jù)皮爾遜相關(guān)系數(shù)對數(shù)據(jù)集中6種光伏發(fā)電氣象特征實(shí)測數(shù)據(jù)與實(shí)際輸出功率進(jìn)行相關(guān)性分析，結(jié)果如圖3所示。從圖中可以看出： 總輻照度、 法向直射輻照度和水平面散射輻照度與實(shí)際輸出功率呈正相關(guān)，并且相關(guān)系數(shù)較大， 呈現(xiàn)高度相關(guān)性?？傒椪斩扰c實(shí)際輸出功率相關(guān)性最大。氣溫和相對濕度與實(shí)際輸出功率呈正相關(guān)，氣壓與實(shí)際輸出功率呈負(fù)相關(guān)，但是相關(guān)系數(shù)較小，呈現(xiàn)低度相關(guān)性。低度相關(guān)性的特征會產(chǎn)生冗余信息，降低模型的準(zhǔn)確性，因此本文中選擇總輻照度、 法向直射輻照度和水平面散射輻照度3種光伏發(fā)電氣象特征作為本文模型的輸入特征。

2.4" 歸一化處理

由于光伏發(fā)電氣象特征數(shù)據(jù)度量單位不同且數(shù)值較大， 此外在數(shù)據(jù)集中可能存在異常數(shù)據(jù)， 因此導(dǎo)致本文模型的訓(xùn)練時(shí)間延長， 甚至可能使網(wǎng)絡(luò)無法收斂。 為了避免出現(xiàn)這種情況并且方便處理數(shù)據(jù)， 采用式（4）、 （5）對氣象特征實(shí)測數(shù)據(jù)和實(shí)際輸出功率數(shù)據(jù)分別進(jìn)行歸一化處理。 同時(shí)， 本文模型輸出的光伏發(fā)電功率是歸一化后的結(jié)果， 為了使輸出結(jié)果具有物理意義， 對輸出結(jié)果進(jìn)行反歸一化處理， 即

x′=x-xminxmax-xmin ，（4）

y′=yP ，（5）

y=y′P ，（6）

式中： x′為歸一化氣象特征； x為實(shí)際氣象特征； xmax、 xmin分別為x的最大值、 最小值； y′為歸一化實(shí)際功率； y為實(shí)際輸出功率； P為光伏電站額定裝機(jī)容量。

2.5" 自適應(yīng)權(quán)重模塊

利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練自適應(yīng)權(quán)重模塊得到本文模型，即

y^=f（w1y^xgb+w2y^lstm+b） ，（7）

式中： y^為本文模型光伏發(fā)電功率預(yù)測值； f為激活函數(shù)； y^xgb為XGBoost模型光伏發(fā)電功率預(yù)測值； y^lstm為LSTM模型光伏發(fā)電功率預(yù)測值； w1、 w2為權(quán)重系數(shù)； b為偏置系數(shù)。

基于訓(xùn)練數(shù)據(jù)集分別訓(xùn)練基于XGBoost算法和LSTM算法的單一模型，訓(xùn)練過程中不斷調(diào)整模型超參數(shù)，通過驗(yàn)證集判斷訓(xùn)練效果是否滿足精度要求。當(dāng)損失函數(shù)達(dá)到最小而得到最優(yōu)XGBoost模型、LSTM模型時(shí)，輸出訓(xùn)練數(shù)據(jù)集上的預(yù)測值y^xgb、 y^lstm。利用y^xgb、 y^lstm、 y建立新的訓(xùn)練數(shù)據(jù)集{（y^xgb，1， y^lstm，1， y1）， （y^xgb，2， y^lstm，2， y2），…，（y^xgb，n， y^lstm，n， yn）}?；诖藬?shù)據(jù)集， 使用2層神經(jīng)網(wǎng)絡(luò)全連接層， 同時(shí)使用Relu激活函數(shù)對線性函數(shù)進(jìn)行非線性化， 訓(xùn)練發(fā)電功率非線性自適應(yīng)權(quán)重的XGBoost-LSTM模型以分配自適應(yīng)權(quán)重系數(shù)。

2.6" 誤差修正

由于光伏發(fā)電氣象特征波動性大且隨機(jī)性強(qiáng)，導(dǎo)致本文模型在某些時(shí)刻初步預(yù)測誤差較大，同時(shí)考慮到模型訓(xùn)練過程超參數(shù)設(shè)置不合理等其他不確定因素的影響，因此有必要對本文模型初步預(yù)測誤差進(jìn)行統(tǒng)計(jì)分析［10］。訓(xùn)練過程中本文模型初步預(yù)測值范圍為［0， 50］，平均分為10個(gè)區(qū)段，分段統(tǒng)計(jì)預(yù)測誤差的分布，其中4個(gè)典型區(qū)段初步預(yù)測誤差的概率分布如圖4所示。從圖中可以看出，4個(gè)區(qū)段初步預(yù)測誤差的概率分布相對較集中。計(jì)算10個(gè)區(qū)段初步預(yù)測誤差均值作為誤差修正量，結(jié)果如表1所示。

預(yù)測時(shí)根據(jù)本文模型初步預(yù)測結(jié)果判斷所屬區(qū)段，累加對應(yīng)區(qū)段的誤差修正量，作為修正后的預(yù)測結(jié)果［11］。誤差修正前、后本文模型的光伏發(fā)電功率預(yù)測值相較于真實(shí)值的分布如圖5所示。

3" 仿真結(jié)果與分析

選用均方根誤差（RMSE）、 平均絕對誤差（MAE）與決定系數(shù)R2這3個(gè)指標(biāo)評估模型的光伏發(fā)電功率預(yù)測性能［12］。RMSE、 MAE評估預(yù)測值與實(shí)際值之間的偏差，RMSE、 MAE值越小則預(yù)測結(jié)果越準(zhǔn)確。R2反映實(shí)際數(shù)據(jù)與訓(xùn)練模型擬合的程度，R2越近1則預(yù)測效果越好［13］。具體計(jì)算公式［12］為

eRMSE=1n∑ni=1（yi-y^i）2 ，（8）

eMAE=1n∑ni=1yi-y^i ，（9）

R2=1-∑ni=1（yi-y^i）2

∑ni=1（yi-y—）2 ，（10）

式中： eRMSE為均方根誤差； eMAE為平均絕對誤差； y—為光伏發(fā)電功率實(shí)際樣本均值。

利用Python語言的XGBoost算法庫、 Tensorflow 2.0深度學(xué)習(xí)框架和Sklearn庫進(jìn)行模型訓(xùn)練和數(shù)據(jù)分析，經(jīng)過多次模型訓(xùn)練得到相對最優(yōu)權(quán)重系數(shù)的本文模型。為了驗(yàn)證本文模型在不同天氣條件下的光伏發(fā)電功率預(yù)測效果，選取2019年3月15日（晴天）、 2019年10月5日（陰天）和2020年1月9日（雨天）3 d代表性預(yù)測結(jié)果與XGBoost模型、 LSTM模型、 XGBoost-LSTM模型的預(yù)測誤差進(jìn)行對比， 結(jié)果如表2所示。 從表中可看出： 不同天氣狀況對各模型的光伏發(fā)電功率預(yù)測誤差影響都較大。 晴天時(shí)預(yù)測誤差最小， 雨天時(shí)預(yù)測誤差最大。 本文模型在不同天氣條件下的RMSE、 MAE、 R2均值分別為1.20 MW、 0.63 MW、 0.99。相比于XGBoost-LSTM模型、 XGBoost模型、 LSTM模型，本文模型的RMSE分別減小28.57%、 39.39%、 49.79%， MAE分別減小44.25%、 53.33%、 64.8%，R2分別增大1.43%、 2.38%、 3.34%。綜合各評價(jià)指標(biāo)，本文模型更有效地減小了單一模型的預(yù)測誤差，優(yōu)化了XGBoost-LSTM模型的權(quán)重系數(shù)。

為了直觀地展現(xiàn)本文模型相對于XGBoost-LSTM模型、 XGBoost模型、 LSTM模型預(yù)測精度的優(yōu)勢，利用Python語言的Matplotlib庫繪制3種天氣條件下4種模型的光伏發(fā)電功率預(yù)測曲線與實(shí)際值的對比，如圖6所示。從圖中可以看出，晴天的光伏發(fā)電功率隨時(shí)間的變化平緩，4種模型的預(yù)測效果都較好，陰天和雨天的光伏發(fā)電輻照度隨機(jī)性強(qiáng)、 波動劇烈，XGBoost-LSTM模型、 XGBoost模型、 LSTM模型預(yù)測誤差較大，本文模型預(yù)測誤差相對最小且穩(wěn)健性最強(qiáng)。

4" 結(jié)論

本文中基于XGBoost算法、 LSTM算法和線性自適應(yīng)權(quán)重， 提出了一種考慮誤差修正的非線性自適應(yīng)權(quán)重XGBoost-LSTM模型進(jìn)行光伏發(fā)電功率預(yù)測， 為了驗(yàn)證本文模型的有效性， 在晴天、 陰天、 雨天3種天氣條件下， 利用Python語言對4種模型的光伏發(fā)電功率預(yù)測性能進(jìn)行仿真， 得到以下主要結(jié)論：

1）相比于基于誤差倒數(shù)法和線性自適應(yīng)權(quán)重分配權(quán)重系數(shù)的XGBoost-LSTM模型，本文模型利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練優(yōu)化XGBoost-LSTM模型的權(quán)重系數(shù)，更有效地減小了單一模型的光伏發(fā)電功率預(yù)測誤差。

2）對本文模型的光伏發(fā)電功率初步預(yù)測誤差進(jìn)行了誤差修正，能進(jìn)一步減小本文模型預(yù)測誤差，提高本文模型的預(yù)測精度。

3）不同的天氣狀況對XGBoost-LSTM模型、 XGBoost模型、 LSTM模型的光伏發(fā)電功率預(yù)測效果影響較大，本文模型的預(yù)測誤差相對最小且穩(wěn)健性最強(qiáng)。

參考文獻(xiàn)：

［1］" 丁怡婷. 我國光伏發(fā)電并網(wǎng)裝機(jī)容量突破3億千瓦： 連續(xù)7年穩(wěn)居全球首位［N］. 人民日報(bào)， 2022-01-21（7）.

［2］" 王福忠， 王帥峰， 張麗. 基于VMD-LSTM與誤差補(bǔ)償?shù)墓夥l(fā)電超短期功率預(yù)測［J］.太陽能學(xué)報(bào)， 2022， 43（8）： 96.

［3］" 王獻(xiàn)志， 曾四鳴， 周雪青， 等. 基于XGBoost聯(lián)合模型的光伏發(fā)電功率預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（4）： 236.

［4］" 崔樹銀， 汪昕杰. 基于特征工程的集成學(xué)習(xí)短期光伏功率預(yù)測［J］. 科學(xué)技術(shù)與工程， 2022， 22（2）： 532.

［5］" 王冠杰. 基于改進(jìn)集成學(xué)習(xí)算法的光伏場站功率預(yù)測方法［D］. 濟(jì)南： 山東大學(xué)， 2021.

［6］" 湯德清， 朱武，侯林超. 基于CNN-LSTM-XGBoost模型的超短期光伏功率預(yù)測［J］. 電源技術(shù)， 2022， 46（9）： 1048.

［7］" 賈睿， 楊國華， 鄭豪豐， 等. 基于自適應(yīng)權(quán)重的CNN-LSTMamp;GRU組合風(fēng)電功率預(yù)測方法［J］. 中國電力， 2022， 55（5）： 47.

［8］" CHEN T Q， GUESTRIN C. XGBoost： a scalable tree boosting system［C］//KDD’16： The 22nd ACM SIGKDD： International Conference on Knowledge Discovery and Data Mining， August 13-17， 2016， San Francisco， CA， USA. New York： ACM， 2016： 786-787.

［9］" 王雅蘭， 田野， 楊麗華. 基于DA-CNNGRU混合神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)電場功率預(yù)測方法［J］.湖北電力， 2021， 45（3）： 23.

［10］" 劉杰， 陳雪梅， 陸超， 等. 基于數(shù)據(jù)統(tǒng)計(jì)特性考慮誤差修正的兩階段光伏功率預(yù)測［J］. 電網(wǎng)技術(shù)， 2020， 44（8）： 2891.

［11］" 李大中， 李穎宇. 基于深度學(xué)習(xí)與誤差修正的超短期風(fēng)電功率預(yù)測［J］. 太陽能學(xué)報(bào)， 2021， 42（12）： 200.

［12］" 唐新姿， 顧能偉， 黃軒晴， 等. 風(fēng)電功率短期預(yù)測技術(shù)研究進(jìn)展［J］. 機(jī)械工程學(xué)報(bào)， 2022， 58（12）： 220.

［13］" 康田雨， 覃智君. 基于超參數(shù)優(yōu)化和雙重注意力機(jī)制的超短期風(fēng)電功率預(yù)測［J］. 南方電網(wǎng)技術(shù)， 2022， 16（5）： 49.

（責(zé)任編輯：王" 耘）