文献类型：期刊文章

作　　者：王俊杰[1] 毕利[1] 张凯[1] 孙鹏翔[1] 马训德[1]

Wang Junjie;Bi Li;Zhang Kai;Sun Pengxiang;Ma Xunde(College of Information Engineering,Ningxia University,Yinchuan 750021,China)

机构地区：[1]宁夏大学信息工程学院,银川750021

出　　处：《太阳能学报》

基　　金：宁夏自然科学基金(2023AAC02011);宁夏重点研发项目(2021BEE03020)。

年　　份：2023

卷　　号：44

期　　号：7

起止页码：168-174

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对光伏发电量研究中传统单一模型预测误差大、特征数据少、深层神经网络模型出现梯度爆炸或消失的问题,该文提出一种基于多特征融合和XGBoost-LightGBM-ConvLSTM(XG-LG-CL)的短期光伏发电量预测模型。首先,分析影响光伏发电的相关因素,采用光伏领域特征融合和高阶特征融合方法将原有11个有效特征增加至62个有效特征;其次,分别建立XGBoost、LightGBM和ConvLSTM模型提取时空特征;最后,利用自适应权重法混合3种模型进行发电量预测。结果表明,该模型在光伏发电实测数据实验中,预测准确率为88.4%,与现有预测方法相比提升了3.1~8.6个百分点,可精确地预测光伏发电量,为电网稳定运行提供有效数据支撑。

关 键 词：光伏发电 数据挖掘 特征融合  XGBoost  LightGBM  ConvLSTM  

分 类 号：TM615]