文献类型：期刊文章

作　　者：王珊珊[1] 吴霓[1] 何嘉文[1] 朱威[1]

WANG Shanshan;WU Ni;HE Jiawen;ZHU Wei(School of Electrical and Electronic Engineering/Hubei Collaborative Innovation Center for High-efficiency Utilization of Solar Energy,Hubei University of Technology,Wuhan 430068,China)

机构地区：[1]湖北工业大学电气与电子工程学院/太阳能高效利用湖北省协同创新中心,武汉430068

出　　处：《南京信息工程大学学报（自然科学版）》

基　　金：国家重点研发计划(2018YFC0116100);湖北省重点研发计划(2020BAB114);湖北省教育厅科学研究计划重点项目(D20211402)。

年　　份：2023

卷　　号：15

期　　号：6

起止页码：684-691

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、PROQUEST、ZGKJHX、ZMATH、核心刊

摘　　要：为提高光伏电站辐照度预测的准确性和可靠性,提出一种基于改进Stacking集成学习与误差修正的短期辐照度预测模型.首先使用梯度提升决策树(Gradient Boosting Decision Tree, GBDT)对原始数据集进行特征筛选,清除冗余特征,提高预测精度和运算效率;然后建立改进Stacking辐照度预测模型,根据K折交叉验证下初级层不同预测模型所表现出预测准确度的差异性,对预测结果进行赋权,并对Stacking第一层输入第二层的训练集数据采用Box-Cox变换处理,以提高预测的正态性和同方差性;最后提取历史预测误差数据,采用随机森林(Random Forest, RF)构造误差模型,进一步提高预测精度.实验结果表明,该模型相比传统模型和经典Stacking模型其预测性能有了较大的提升.

关 键 词：太阳辐照度  光伏发电 Stacking算法  回归预测算法  交叉验证  

分 类 号：TP391] TM615[计算机类]