忻俊杰, 徐 良, 李永杰, 李文磊

(宁波大学 信息科学与工程学院,浙江 宁波 315211)

0 引 言

作为新能源发电方式的一种，光伏(PV)发电具有波动性和间歇性的特征，在直接并网时会影响到电网的稳定性和经济运行。为此光伏发电的发电预测尤为重要。

目前光伏发电的预测方法主要有两种[1～5]，一种是结合地理空间模型，利用统计学方法进行预测；另一种是基于目前大数据和人工智能技术迅速发展的大背景，使用以数据驱动的机器学习方法进行预测。而出于效率、预测精度和实用性的考虑，后者在目前的研究中更为主流[1]。

近几年，在大数据发展的背景下，更多的光伏电站及天气等相关数据集得到公开，因此，需要大量数据支持的集成学习方法也被越来越多地应用到光伏预测的领域内。文献[6,7]使用集成学习进行实验并得到了较理想的效果。文献[7]建立了动态和静态两种形式的预测模型，利用三种集成学习模型进行了融合预测，但其并未能保证前后数据关联性，且训练和预测过程均只选取了上午7时至下午17时，无法涵盖整日的情况。文献[7]使用随机森林回归、梯度提升回归与极限梯度提升三种方法并结合多层感知机和支持向量回归进行对比实验，实验结果表明集成学习能得到较好的预测结果。是否有云层遮蔽也是影响光伏发电结果的重要因素。文献[8,9]讨论了云层对预测结果的影响，两者的实验结果均证明了云层对预测准确度有较大影响。……