刘嘉诚，刘 俊，2，赵宏炎，吴泽阳，刘晓明，吴 柳

（1. 陕西省智能电网重点实验室（西安交通大学电气工程学院），陕西省西安市 710049；2. 人工智能与数字经济广东省实验室，广东省广州市 510320）

0 引言

近年来，随着节能减排政策的不断推进、光伏发电技术的日益成熟以及发电成本的不断下降［1］，中国光伏产业迅速发展，装机容量不断攀升，截至2019 年底，全国光伏装机总量已达204.3 GW，且全年光伏发电量达到224.3 TW ⋅h［2］。然而，由于光伏发电本身受天气等自然环境因素影响，其出力存在较高的不确定性与波动性，这对系统的安全稳定运行、经济调度以及电能质量治理带来巨大的威胁与挑战［3-4］，准确预测光伏出力具有重要意义。

光伏出力预测按照时间尺度可分为超短期（未来4 h）、短期（未来72 h）与中长期预测（未来1 月至1 年）［5］；按预测形式又可分为点预测、区间预测与概率预测。在点预测研究中，时间序列方法、回归分析方法等统计学方法因其建模简单且适应性广得到了广泛应用［6-7］，但对大量数据的依赖性也增加了数据处理的难度，可靠有效的特征处理对于挖掘历史数据中的规律、提升光伏预测精度十分必要。

特征工程从样本数据的特征集出发，通过对各类特征的构建、提取或算法选择，挖掘与光伏出力相关性最大的特征子集合，降低无关或弱关联气象特征对于模型的干扰，在简化模型的同时改善其预测性能。文献［8-10］构建了风速3 阶差分最大值、辐照度最大值比、辐照度趋势分量等特征；……