《表1 神经网络与树模型数据点构成》
XGBoost模型[16]是一种基于Boosting的改进集成树模型,通过贪心策略和最优化思想集合若干弱分类器,生成一棵新树并拟合前一棵树的残差,使模型损失函数下降,随着模型深度和迭代次数的提升,预测精度显著提高。LSTM是基于时间序列的神经网络,解决了循环神经网络(RNN)计算过程中容易梯度消失和梯度爆炸的问题,常用于处理时间序列相关问题。Light GBM[17]是一个由微软开源的项目,相较于XGBoost具有轻量化、高效化的特点。光伏出力预测从离散性和连续性两方面进行,离散性预测光伏出力与时间序列无相关关系,只取决于当前预测参数状态,而连续性预测光伏出力基于历史出力并结合当前预测参数状态进行预测。融合模型的建立综合考虑光伏出力的离散性与连续性,构建基于包络线聚类的XGBoost+Light GBM基学习器模型与不聚类的LSTM基学习器模型,并融合各模型预测结果进行次学习器的训练,融合模型结构图见图8,图中0.2与0.3为各模型占融合模型的权重。由于神经网络模型(LSTM)和树模型(XGBoost+Light GBM)与各输入特征的相关性不同,需要差异化选择特征,其样本数据选择如表1所示,表中特征1为待预测的光伏发电量,其余特征为模型输入训练特征。
图表编号 | XD00192371100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.10 |
作者 | 杨国清、张凯、王德意、刘菁、秦美荣 |
绘制单位 | 西安理工大学电气工程学院、西安理工大学电气工程学院、西安理工大学电气工程学院、西安理工大学西安市智慧能源重点实验室、西安理工大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |