王 粟，隗磊锋，曾 亮

（湖北工业大学 电气与电子工程学院，湖北 武汉 430068）

0 引言

随着传统能源的不断减少，新能源的开发利用变得尤为重要.其中，太阳能作为丰富的、清洁的能源受到了广泛的关注.然而，光伏输出功率具有间接性、随机性、波动性等特性，随着太阳能发电的不断普及，当大规模的光伏并网时，电力系统的安全运行和电能质量将受到极大影响.因此，准确预测光伏发电功率具有重要的意义［1］.

随着计算机技术和机器学习技术的发展，越来越多的机器学习方法、统计方法以及深度学习方法应用到光伏功率预测.其中包括BP神经网络［2］、支持向量机法（SVM）［3-4］、马尔可夫链［5］、随机森林（RF）［6］、集成算法［7-8］、长短期记忆网络（Long Short-Term Memory，LSTM）［9-10］等.文献［11］提出一种双层BP预测模型，其中，第一层作为功率输出预测，第二层将第一层的输出作为输入拟合实际的功率值；文献［12］通过熵权法将三个单一的预测模型（持续法、支持向量机、相似系数法）组合成一个预测模型，得到预测效果更好的模型；文献［13］采用误差导数法计算两个预测模型（LSTM和Extreme Gradient Boosting，XGBoost）的权重，组合成一个新的模型，由于误差小的模型得到更大的权重，因此整体的误差将减小，预测效果好于单一的预测模型；文献［14］采用EEMD将光伏功率分解为高频、中频、低频三个序列，利用调和平均数法计算三个模型（tree、svm、ensemble）的权重，组成新的模型分别预测三个序列，然后将三个预测值相加得到预测功率；文献［15］提出一种由一个线性模型（双指数平滑法）和两个……