基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏发电量预测 |
| |
引用本文: | 王俊杰,毕利,张凯,孙鹏翔,马训德.基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏发电量预测[J].太阳能学报,2023(7):168-174. |
| |
作者姓名: | 王俊杰 毕利 张凯 孙鹏翔 马训德 |
| |
作者单位: | 宁夏大学信息工程学院 |
| |
基金项目: | 宁夏自然科学基金(2023AAC02011); |
| |
摘 要: | 针对光伏发电量研究中传统单一模型预测误差大、特征数据少、深层神经网络模型出现梯度爆炸或消失的问题,该文提出一种基于多特征融合和XGBoost-LightGBM-ConvLSTM(XG-LG-CL)的短期光伏发电量预测模型。首先,分析影响光伏发电的相关因素,采用光伏领域特征融合和高阶特征融合方法将原有11个有效特征增加至62个有效特征;其次,分别建立XGBoost、LightGBM和ConvLSTM模型提取时空特征;最后,利用自适应权重法混合3种模型进行发电量预测。结果表明,该模型在光伏发电实测数据实验中,预测准确率为88.4%,与现有预测方法相比提升了3.1~8.6个百分点,可精确地预测光伏发电量,为电网稳定运行提供有效数据支撑。
|
关 键 词: | 光伏发电 数据挖掘 特征融合 XGBoost LightGBM ConvLSTM |
|
|