邱瑞东，何 山,2*，董 宁，王冉旭，董广凯

(1.新疆大学 电气工程学院，新疆 乌鲁木齐 830049；2.新疆大学 可再生能源发电与并网技术教育部工程研究中心，新疆 乌鲁木齐 830049)

受天气状况及光伏电站自身环境影响，光伏发电功率出现较大的随机性和波动性，对电网产生不良影响.及时准确预测光伏电站出力，有助于电网调度及电力系统安全稳定运行.

针对序列数据的光伏功率预测方法有：时间序列、支持向量机、决策树以及神经网络法.基于机器学习的方法能处理辐照强度与光伏出力、温度等因素间的非线性关系.文献[11]采用小波神经网络构建太阳辐射量预测模型，通过数据预处理及结构优化，有效提升了预测精度.文献[12]针对光伏电站出力预测模型结构复杂、泛化能力低的问题，提出了基于深度信念网络的预测模型，采用重构误差法确定隐含层数，该模型预测精度高、运算量低.文献[13]提出基于改进BP(back propagation)神经网络的光伏电站辐照强度预测模型，但因天气类型划分太复杂，该模型难以适应复杂天气下辐照强度的波动性.在光伏功率预测中，单一模型存在局限性，而组合模型能得到不同数据的特征，故组合模型具有较高的预测准确性.

长短时记忆网络(long short term memory network，简称LSTM)是一种改进的循环神经网络模型，由于具有特殊的门及记忆结构，能处理序列数据的预测问题.轻梯度提升机(light gradient boosting machine 简称LightGBM)模型在保证良好预测精度的同时极大提升了辐照强度的预测速度.该文在LSTM和LightGBM模型的基础上，提出二者的组合(LSTM-LGB)模型，对光伏电站辐照强度进行预测.首先，对辐照强度历史数据及光伏电站气象数据进行特征分析，找出关联度高的影响因素，再构造特征；……