基于气象耦合特征分析及改进XGBoost算法的用户分布式光伏短期出力预测模型

随着用户侧分布式光伏发电设备的普及,对分布式光伏出力预测及调控技术提出了更高的要求。针对传统光伏出力预测方法泛化能力不强及高样本依赖性的问题,提出了一种考虑基于气象耦合特性及改进极端梯度提升树(extreme gradient boosting,XGBoost)算法的用户分布式光伏短期预测模型。利用互信息及主成分分析进行特征选取与降维,得到高相关性和去耦合的气象特征变量;基于Bagging算法对XGBoost预测模型进行并行集成,改善模型泛化能力;提出基于平均绝对误差(mean absolute error,MAE)及平均反正切绝对百分比误差(mean arctangent absolute percentage error,MAAPE)的组合预测精度评价指标;在算例分析中所提模型的MAE均值为6.934 kW,MAAPE均值为16.73%,超过半数情形下的相对误差小于10%,相比传统BP神经网络和随机森林预测模型预测精度提升较大,具有良好的实际应用能力。