朱祺，杨鹏

(中国电力工程顾问集团华东电力设计院有限公司，上海 200001)

随着3060碳中和目标的提出，光伏发电作为典型的绿色电源形式，其装机容量占整个电力系统总装机容量的比重越来越大，在电力系统中所起的作用也愈发重要。准确的光伏发电出力预测对于保障高比例光伏接入后系统的安全稳定与经济运行具有重要意义[1]。

在光伏发电预测方面，最初的数据挖掘方法比较原始，如静态知识和单源挖掘方法，它们不适用于包含大量异构和流数据的智能电网场景，针对这一问题，学者们提出了多源挖掘机制和动态数据挖掘方法。如文献[2]将马萨诸塞州东南部分为15个片区，通过分析历史开源气象数据及光伏电站历史出力数据并构建气象参数-输出功率的转化模型，最终实现了预测时间分辨率为1小时的区域日前出力预测。文献[3]依据多维参量，包含气象参数、经纬度以及光伏阵列安装倾斜角等，对整个欧洲地区进行了片区划分并建立了不同片区的区域光伏发电模型，对整个欧洲地区的光伏出力实现了时间分辨率为1小时的预测。

相较于低效率、高成本传统集中式数据处理的分析方法，分布式计算更加高效，已被广泛应用于地质、气候和环境分析、人类基因组计划、暗能量测量计划等领域[4]。随着计算能力的大幅提高和硬件成本的降低，一些新的信息提取方法被提出，机器学习就是其中之一。本文即是通过基于GBDT回归的光伏电站出力人工智能预测算法对于光伏电站的出力进行预测，通过准确度较高的预测结果提前预知光伏电站的未来超短期和短期的出力情况，保证电网的运行安全。……