基于季节划分和GBDT 算法的光伏短期发电功率预测研究

胡志亮　董新微　万祥虎　江蒗　周志国

关键词：光伏；GBDT；气象数据；出力预测

中图分类号：TP301 文献标识码：A

文章编号：1009-3044（2023）02-0100-03

1 引言

21世纪以来，现代化工业的迅速发展给全球能源供应和环境治理带来了严峻的挑战，能源危机和环境保护问题的日益突出。一方面，随着煤炭、石油等化石燃料的高速消耗，导致化石燃料的自然生产量不能满足人类发展需求，造成能源短缺；另一方面，大量CO2 的排放导致了温室效应和臭氧破坏等环境问题，严重威胁了人类的生存。因此大量发展绿色、清洁、可持续能源成为解决上述问题的必然措施。

近年来光伏发电以其绿色、清洁、环保等特点，得到迅速发展，以光电代替火电也成为我国能源结构调整必然趋势。但光伏因受天气类型、太阳辐照度、温度等气象因素影响，其出力水平具有波动性、间接性等特点，这些特性严重影响了光伏发电消纳水平，造成清洁能源浪费。因此开展光伏发电功率预测研究对促进光伏产业发展和清洁能源消纳具有重要意义。

本文基于天气类型和GBDT[1]算法进行光伏短期发电功率预测研究，构建一套能够预测光伏短期发电功率模型，能够有效提升光伏短期发电功率[2]的专准确性。

2 光伏发电影响因素

影响光伏发电效率的因素众多，正常投用的光伏系统，其位置及各项组件已经固定，这些因素对光伏发电功率影响都隐含在历史出力数据中，因此只需考虑影响光伏出力的外部气象因素。本文使用安徽某光伏场站的2018 年数据，以其出力数据和各类气象要素数据为分析对象，分析光伏发电影响因素[3]。

2.1 溫度-出力关系

通过选取光伏场站任意一天发电功率数据和场站的温度数据，绘制温度-出力关系图，如图1 所示，当温度上升时，光伏发电功率也随之增加，两者呈现明显正相关性，这是因为光伏组件周围环境温度影响了光伏组件的光电转换效率[4]。

2.2 辐射度-出力关系

通过选取光伏场站任意一天发电功率数据和场站的辐照度数据，绘制辐照度-出力关系图，如图2 所示，由图可知，光伏发电功率曲线与辐照度曲线有很强的相似性。这是因为光伏电站的发电功率与太阳辐射强度有直接关系，太阳辐照度越强，发电功率也越大。

2.3 天气类型-出力关系

通过选取光伏场站晴天、多云、阴天、降水4 种天气类型下发电功率数据，绘制发电功率曲线图，如图3 所示，各种天气类型下发电功率有明显的区别。由于各天气类型是通过太阳辐照强度、温度等因素的共同作用影响光伏发电功率的，而天气类型主要决定了光伏发电功率的峰值，因此天气类型是影响光伏出力水平的一个重要因素。

通过选取光伏场站任意一天发电功率数据和场站的湿度数据，绘制湿度-出力关系图，如图4 所示，由图可知发电功率与湿度呈负相关性，这是由于当空气中湿度较大时，水汽吸收了一部分太阳辐照强度，导致光伏组件上的辐照强度减弱，发电功率也随之减少，反之，当空气湿度降低时，照射在光伏组件上的光照强度会增强，光伏发电功率会相应提升。

3 模型构建

3.1 数据选择

本文研究采用的数据来源安徽省某光伏场站，该场站设有微气象采集设备，因此能够提供光伏实际出力数据和场站历史气象数据。共采集场站2018 年有效发电功率数据96782条，气象数据95869 条。通过数据清洗和时间匹配，最终获得有效数据对（气象数据，发电功率数据）89144 条数据。

3.2 模型设计

3.2.1 数据划分

本文基于季节特性，将数据集划分为四个子集，分别用D1，D2，D3，D4 表示，然后将每个子集按照7：3 的比例划分训练集[5]和测试集两部分，分别记为Di1，Di2（i=1，2，3，4），Di1 作为相应季节的模型构建数据基础，Di2 作为相应季节的模型测试数据。

3.2.2 模型构建

模型构建思路及方法总体架构图如图5所示。

本文使用梯度提升树GBDT（Gradient BoostingDecision Tree）进行模型构建，GBDT 是一种基于Boosting 树[6]的集成算法，其集成方式为梯度提升法（Gradient Boosting）。该算法原理是通过组合梯度提升和回归决策树法，实现后决策树在前决策树损失函数的梯度下降方向上进行训练，从而实现对预测值进行一系列精确化。模型构建具体步骤如下。

第一步，初始化弱学习器：

其中，L （y_i，γ） 为损失函数，N 代表训练集个数，y_i第i 个样本发电功率值数据，为训练集中发电功率的均值。

第二步，首先计算当前损失函数的负梯度：

从Di2（i=1，2，3，4）数据集中分别选取春、夏、秋、冬天数各10 天数据，即每个模型共选取40 天的数据，分别作为4 个模型的测试集，进行模型预测准确率分析，将每天288 条数据预测结果通过公式（6）计算，得到每天的预测准确率，通过计算分析得到四个模型的预测准确率，计算结果如图6 所示。

根据图6 分析，四个模型的预测准确率基本在75%到87%之间。其中V1 与V3 预测准确率相近，准确率在80%到87%之间；V2 模型的波动性较大，主要在76%到86%之间波动，经过分析，主要是因为夏天天气类型变化较多，模型针对多变的天气发电功率预测相对还不够稳定；

V4模型的预测准确率较为稳定，预测准确率在81%到85%之间。经上述分析，本文研究的短期光伏发电预测算法能够满足光伏预测准确率的需求。

4 结束语

本文以安徽某光伏场站历史出力数据和气象数据为建模基础，分析了影响光伏出力水平的主要气象要素，提出通过按照季节划分数据集，并基于GBDT 进行光伏发电预测模型构建的研究方法。首先通过季节划分，将数据划分为不同数据集，预测模型直接以气象信息和历史发电功率数据作为输入，以对应时刻的发电功率值为输出，分别训练了4个季节的发电模型，可有效提高光伏发电预测准确性。经测试分析，多模型预测有效地提高了光伏发电预测效果，符合光伏场站并网[8]管控需求。