林鹏， 于洋， 张昕， 谢震伟， 张家豪， 王昕

(1.上海交通大学 电工与电子技术中心，上海 200240；2.国网吉林省电力有限公司延边供电公司，吉林 延边 133000)

0 引 言

光伏发电利用太阳能可再生的特点，可以缓解目前的能源危机问题[1]。但是光伏发电具有较大的随机性和间歇性[2-3]，若能准确地预测光伏发电功率，对电网的安全稳定运行意义重大。目前许多学者利用机器学习算法结合历史气象信息对光伏发电功率进行预测。文献[4]采用经验分解法与LSSVM相结合的预测方法，但是该方法没有对最小二乘支持向量机(least squares support vector machine,LSSVM)的参数进行优化。文献[5]搭建基于相似日与改进思维进化算法优化径向基神经网络的光伏功率预测模型。文献[6]利用PVPNet深度神经网络模型结合气象因素对光伏出力进行预测，但是这两种方法得到的预测精度都较低。

为了提高光伏发电功率预测的精度，本文提出了一种利用CRITIC加权灰色关联度提取相似日的改进飞蛾扑火算法(improved moth-flame optimization algorithm,IMFO)优化LSSVM的光伏发电功率短期预测方法。该方法首先在同类天气状况下利用CRITIC加权灰色关联度提取相似日，由于对各气象因素赋予了客观权重，提高了相似日选取的优异度。然后，利用柯西变异和自适应权重对传统的飞蛾扑火算法(moth-flame optimization algorithm ,MFO)进行改进，增强了MFO的寻优能力。最后，搭建基于IMFO优化LSSVM的预测模型，并利用澳大利亚某光伏电站的数据进行预测，证明本方法的优越性。本文研究为光伏发电功率预测方面的研究提供了一定的指导意义。……