文献类型：期刊文章

作　　者：吴春华[1] 董阿龙[1] 李智华[1] 汪飞[1]

WU Chunhua;DONG Along;LI Zhihua;WANG Fei(Shanghai Key Laboralory of Power Station Automation Techno logy,Department of Electrical Engineering,Shanghai University,Shanghai 200072,China)

机构地区：[1]上海大学电气工程系上海市电站自动化技术重点实验室,上海200072

出　　处：《高电压技术》

基　　金：国家自然科学基金(51677112)。

年　　份：2022

卷　　号：48

期　　号：8

起止页码：3250-3259

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为充分利用历史信息,最大限度优化模型效果,提高光伏功率预测精度,提出了基于图相似日和粒子群优化极限梯度提升树(particle swarm optimization-extreme gradient boosting tree,PSO-XGBoost)的光伏功率预测方法。将每天由天气特征组成的向量转换成格拉姆矩阵,以便充分挖掘各个向量之间的关系;然后将拉姆矩阵转换为图像,采用结构相似性算法(structural similarity,SSIM)寻找与待预测日最相似的历史日,并选取历史日的光伏功率、待预测日的辐照度、温度、湿度作为极限梯度提升树的输入变量;为充分发挥模型的预测能力,运用粒子群算法优化极限梯度提升树确定最优的超参数,最终输出各时段的光伏功率预测值。利用光伏电站实际数据进行验证,结果表明:相比于未改进的XGBoost模型,所提方法在晴天下的均方根误差(root mean square error,RMSE)降低了31.6%,平均绝对误差(mean absolute error,MAE)降低了31.6%;在多云天气下的RMSE降低了24.1%,MAE降低了40%;在阴雨天气下的RMSE降低了25%,MAE降低了38.5%,有效地提高了模型的预测精度和泛化能力。

关 键 词：图相似日  格拉姆矩阵  结构相似性  极限梯度提升树  光伏功率预测  历史日  

分 类 号：TM615]