孙 辉 冷建伟

(天津理工大学电气电子工程学院 天津 300384)

0 引 言

光伏系统因受太阳辐照度、温度、湿度等气象因素影响，导致其输出功率具有明显的非线性和波动性。当光伏系统在这种情况下并网时，将对大电网产生较大的冲击力。因此，精准地预测光伏发电系统的输出功率变得越来越重要。

目前，光伏发电系统的功率预测方法主要有支持向量机预测(Support Vector Machine，SVM)[1-2]、人工神经网络预测(如BP神经网络)[3]等。其中，支持向量机方法有较好的效果泛化能力，但经验选择的基函数可能会导致意外误差。文献[4]不考虑太阳辐照度的影响，将温度和湿度作为输入直接预测光伏输出功率，由于考虑的气象因素较少，预测精度较低。文献[5]引入天气类型指数的神经网络发电预测模型，但单一神经网络对不同的天气类型进行预测效果较差。神经网络被电力负荷预测[6-7]和风力发电预测[8-9]广泛应用，现正蓬勃应用在光伏发电短期预测[10-11]中。

Ada Boost作为一种监督学习分类器，当改善决策树和神经网络等不稳定分类算法的分类能力时，有着较好的效果[12-13]，但当其改善稳定分类算法时效果并不尽如人意[14-15]。半监督学习(Semi-supervised Learning,SSL)利用无标记样本来增强学习器的分类能力，Semi Boost属于这种分类器的代表，它能提升基分类器之间差异分化能力,进一步提高终极分类器的泛化能力。

深度学习理论作为研究热点，在电力行业受到广泛关注。当建立DBN光伏功率预测模型时，通过随机分配获得网络连接权重初始化。……