何 鋒，章義軍，章建華，丁海華

基于相似日和分位數(shù)回歸森林的光伏發(fā)電功率概率密度預(yù)測(cè)

何 鋒，章義軍，章建華，丁海華

（國網(wǎng)浙江安吉縣供電有限公司，浙江 湖州 313300）

為提高光伏發(fā)電功率預(yù)測(cè)精度及可靠性，提出一種基于相似日和分位數(shù)回歸森林（QRF）的光伏發(fā)電功率概率密度預(yù)測(cè)模型。選取某光伏電站實(shí)測(cè)數(shù)據(jù)為研究對(duì)象，在將光伏發(fā)電功率原始數(shù)據(jù)按不同天氣類型進(jìn)行分類的基礎(chǔ)上，通過溫度和風(fēng)速2個(gè)特征向量選取相似日，并對(duì)相似日歷史數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)（BPNN）、支持向量機(jī)（SVM）和QRF預(yù)測(cè)模型。結(jié)果表明：晴天時(shí)，不同模型預(yù)測(cè)值均能較好跟蹤真實(shí)值變化趨勢(shì)，在13:00—16:00光伏發(fā)電功率下降時(shí)間段，QRF模型更接近真實(shí)值；多云或陰天時(shí)，在9:00—12:00，3種模型預(yù)測(cè)誤差均較大；雨天時(shí)，在14:00—16:00光伏發(fā)電功率突變時(shí)間段，BPNN模型預(yù)測(cè)誤差最大，SVM預(yù)測(cè)值相對(duì)于QRF模型更接近真實(shí)值，而在10:00—12:00，SVM模型預(yù)測(cè)誤差增大。對(duì)不同模型不同天氣類型下的預(yù)測(cè)誤差，QRF模型預(yù)測(cè)性能更佳。

光伏發(fā)電功率；概率密度預(yù)測(cè)；相似日；分位數(shù)回歸森林；核密度估計(jì)

受太陽輻射強(qiáng)度、風(fēng)速、溫濕度等氣象因素的影響，光伏發(fā)電具有顯著的波動(dòng)性與隨機(jī)性，大規(guī)模光伏系統(tǒng)并網(wǎng)將嚴(yán)重威脅電力系統(tǒng)穩(wěn)定運(yùn)行[1-2]。準(zhǔn)確把握光伏發(fā)電功率變化特征并進(jìn)行精確預(yù)測(cè)能夠?yàn)殡娏ο到y(tǒng)調(diào)度、自動(dòng)發(fā)電控制提供科學(xué)決策信息，從而有效降低光伏發(fā)電對(duì)電網(wǎng)造成的不利影響，提高資源利用率[3]。

目前，光伏發(fā)電功率預(yù)測(cè)按原理不同分為物理方法和統(tǒng)計(jì)預(yù)測(cè)方法。物理方法根據(jù)光伏電站地理位置、氣象和太陽輻射等信息，通過太陽輻射傳遞方程、光伏組件運(yùn)行方程進(jìn)行預(yù)測(cè)[4]。統(tǒng)計(jì)預(yù)測(cè)方法將太陽輻射強(qiáng)度、風(fēng)速、溫濕度、氣壓等因素作為輸入變量，通過線性回歸、BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）、支持向量機(jī)（support vector machines，SVM）等技術(shù)挖掘輸入變量與光伏發(fā)電功率間的隱含關(guān)系，并結(jié)合天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行預(yù)測(cè)[5-7]。文獻(xiàn)[8]在分析光伏發(fā)電特性和季節(jié)特性的基礎(chǔ)上，采用K均值算法對(duì)訓(xùn)練樣本集進(jìn)行聚類處理，并根據(jù)聚類結(jié)果分別建立SVM預(yù)測(cè)模型。文獻(xiàn)[9]考慮季節(jié)類型、天氣類型和氣象因素對(duì)光伏發(fā)電功率的影響，選取相似日，建立最小二乘支持向量機(jī)預(yù)測(cè)模型。為進(jìn)一步提高預(yù)測(cè)精度，相關(guān)學(xué)者提出了組合預(yù)測(cè)思路。文獻(xiàn)[10-11]充分發(fā)揮不同預(yù)測(cè)模型優(yōu)勢(shì)，并按權(quán)重將各模型預(yù)測(cè)結(jié)果進(jìn)行整合。文獻(xiàn)[12-14]采用信號(hào)分解算法對(duì)光伏發(fā)電功率原始數(shù)據(jù)進(jìn)行解耦，將其分解成若干特征互異的模態(tài)分量，然后對(duì)各分量建立預(yù)測(cè)模型，取得了較好預(yù)測(cè)結(jié)果。

上述模型主要集中于確定性的點(diǎn)預(yù)測(cè)，難以完全描述光伏發(fā)電功率波動(dòng)范圍及不確定性。為此，相關(guān)學(xué)者提出了光伏發(fā)電功率概率預(yù)測(cè)方法，如分位數(shù)回歸、區(qū)間預(yù)測(cè)、密度預(yù)測(cè)等[15-17]。概率預(yù)測(cè)能夠更好地描述光伏發(fā)電功率未來變化趨勢(shì)、波動(dòng)范圍、不確定性及面臨的風(fēng)險(xiǎn)，因此更有研究價(jià)值。

分位數(shù)回歸森林（quantile regression forests，QRF）融合分位數(shù)回歸和隨機(jī)森林（random forest，RF）2種算法，能夠獲取不同分位點(diǎn)回歸預(yù)測(cè)結(jié)果。作為一種非參數(shù)集成機(jī)器學(xué)習(xí)算法，QRF延續(xù)了RF算法運(yùn)算速度快、模型性能受參數(shù)影響小、容噪性強(qiáng)等優(yōu)點(diǎn)。因此，本文建立QRF預(yù)測(cè)模型，并采用核密度估計(jì)算法獲得任意時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)結(jié)果。

太陽輻射強(qiáng)度與太陽入射角、日照時(shí)長、光照強(qiáng)弱等因素密切相關(guān)，而太陽入射角等變量隨季節(jié)更替周期性地變化也導(dǎo)致太陽輻射強(qiáng)度具有季節(jié)性、周期性的特點(diǎn)，這使得光伏發(fā)電功率在不同季節(jié)表現(xiàn)出較大差異。同一季節(jié)類型時(shí)，晴天、多云及雨天不同的天氣狀況也使得太陽輻射強(qiáng)度差異明顯，導(dǎo)致光伏發(fā)電功率具有不同變化特征。因此，在建立預(yù)測(cè)模型前，有必要將光伏發(fā)電功率原始數(shù)據(jù)按季節(jié)類型、天氣類型進(jìn)行分類處理。此外，依據(jù)氣象數(shù)據(jù)選取有效的相似日能更好利用歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而提高預(yù)測(cè)精度。

綜上，本文建立基于相似日和QRF的光伏發(fā)電功率概率密度預(yù)測(cè)模型。首先，將光伏發(fā)電功率原始數(shù)據(jù)按天氣類型進(jìn)行分類，并通過溫度、風(fēng)速組成的特征向量選取相似日。其次，對(duì)相似日歷史數(shù)據(jù)建立QRF預(yù)測(cè)模型并獲得不同分位點(diǎn)回歸預(yù)測(cè)值。最后，采用核密度估計(jì)算法獲得任意時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)結(jié)果。

1 相似日選取

1.2 光伏發(fā)電功率特性

光伏發(fā)電輸出功率可按式(1)進(jìn)行計(jì)算[18]：

式中：為光伏電池轉(zhuǎn)換效率，%；為光伏陣列面積，m2；為太陽輻射強(qiáng)度，kW/m2；0為工作環(huán)境溫度，℃。

光伏電池轉(zhuǎn)換效率和光伏陣列面積在光伏發(fā)電系統(tǒng)短時(shí)間運(yùn)行期間基本保持不變，因此太陽輻射強(qiáng)度和溫度是影響光伏發(fā)電功率的主要因素。然而，受晴天、多云及雨天等不同天氣類型變化的影響，太陽輻射強(qiáng)度和環(huán)境溫度表現(xiàn)出不同變化特征，導(dǎo)致光伏發(fā)電功率曲線差異較大。圖1為不同天氣類型時(shí)光伏發(fā)電功率變化曲線。

圖1 不同天氣類型光伏發(fā)電功率曲線

由圖1可以看出：晴天時(shí)云量較少且溫度較高，使得光伏發(fā)電功率維持在較高水平，光伏發(fā)電功率隨著太陽輻射強(qiáng)度的變化表現(xiàn)出先上升后下降的變化趨勢(shì)，并在12:00達(dá)到峰值，規(guī)律性較強(qiáng)；多云或陰天時(shí)輻射強(qiáng)度相對(duì)減弱，功率曲線波動(dòng)較大；雨天時(shí)，光伏發(fā)電功率顯著降低，曲線無明顯的規(guī)律。因此，建立預(yù)測(cè)模型前，有必要按天氣類型對(duì)光伏發(fā)電功率原始數(shù)據(jù)進(jìn)行分類處理，以便更好地利用相似日歷史數(shù)據(jù)，從而有效提高預(yù)測(cè)精度。

1.2 相似日特征向量

在將光伏發(fā)電功率原始數(shù)據(jù)按晴天、多云、雨天不同天氣類型進(jìn)行分類的基礎(chǔ)上，本文利用相似日原理選取與待預(yù)測(cè)日氣象特征相近的歷史日。光伏發(fā)電功率受太陽輻射強(qiáng)度和溫度的影響，理論上選取相似日的特征向量應(yīng)為太陽輻射強(qiáng)度和溫度。由于太陽輻射強(qiáng)度與季節(jié)類型、天氣類型和云量等因素相關(guān)，在進(jìn)行原始數(shù)據(jù)分類時(shí)已經(jīng)考慮季節(jié)類型和天氣類型的影響，因此在構(gòu)建相似日特征向量時(shí)主要考慮云量對(duì)太陽輻射強(qiáng)度的影響。然而，云量預(yù)測(cè)較難實(shí)現(xiàn)，因此本文選取風(fēng)速作為太陽輻射強(qiáng)度的影響因素。最終，本文選取相似日的特征向量為溫度和風(fēng)速2個(gè)變量。

光伏發(fā)電有效輸出集中于白天太陽輻射較強(qiáng)的時(shí)間段，選取每天08:00—17:00時(shí)間段內(nèi)的10個(gè)整點(diǎn)時(shí)刻作為基準(zhǔn)點(diǎn)并進(jìn)行預(yù)測(cè)。由前述分析可得，待預(yù)測(cè)日氣象特征向量0可表示為

式中0j、0j分別為待預(yù)測(cè)日基準(zhǔn)點(diǎn)的溫度和風(fēng)速。

歷史第日氣象特征向量可表示為

式中T、S分別為歷史第日基準(zhǔn)點(diǎn)溫度和風(fēng)速。

1.3 相似度計(jì)算

本文采用灰色關(guān)聯(lián)分析法度量歷史日氣象特征向量與待預(yù)測(cè)日氣象特征向量間的相似程度，從而選取有效相似日。0與兩向量間相關(guān)性記為關(guān)聯(lián)度r，其計(jì)算公式為[19]

式中：為氣象特征向量維數(shù)，本文取=20；ε()為待預(yù)測(cè)日和第個(gè)歷史日第個(gè)氣象特征分量的關(guān)聯(lián)系數(shù)，按式(5)進(jìn)行計(jì)算。

式中：'()、x'()分別為歸一化后的待預(yù)測(cè)日和第個(gè)歷史日第個(gè)氣象特征分量；為分辨系數(shù)，本文取=0.5。

r越接近于1，則說明該日與待預(yù)測(cè)日氣象特征更相近，光伏發(fā)電功率變化特征與規(guī)律也越相似；r接近于0，則說明該日與待預(yù)測(cè)日氣象特征差異較大，不能選作相似日。

2 基于QRF的概率密度預(yù)測(cè)

2.1 分位數(shù)回歸森林基本原理

QRF融合分位數(shù)回歸和RF算法，可看作是適應(yīng)性近鄰分類與回歸過程。對(duì)任意=，可以得到原始個(gè)觀察值一個(gè)權(quán)重集合w()，=1,2,3。QRF將所有因變量觀測(cè)值的加權(quán)和作為因變量條件均值(|=)的估計(jì)[20]。

QRF定義(1{Y≤}|=)的估計(jì)為觀測(cè)值1{Y≤}的加權(quán)平均，即

QRF算法具體步驟為：1）生成棵決策樹(θ)，=1,2,…1。對(duì)每棵決策樹每個(gè)葉節(jié)點(diǎn)，考察該葉節(jié)點(diǎn)所有觀測(cè)值；2）給定=，遍歷所有決策樹。計(jì)算每棵決策樹觀測(cè)值的權(quán)重w(,θ)，∈{1,2,…,}。通過對(duì)決策樹權(quán)重w(,θ)，=1,2,…,取平均得到每個(gè)觀測(cè)值∈{1,2,…,}的權(quán)重w()；3）對(duì)所有∈，利用步驟2)得出的權(quán)重，通過式(6)計(jì)算分布函數(shù)的估計(jì)。

2.2 核密度估計(jì)

QRF模型可以獲得不同分位點(diǎn)條件下的光伏發(fā)電功率預(yù)測(cè)值，進(jìn)而采用核密度估計(jì)獲得任意時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)結(jié)果。

核密度估計(jì)通過同一未知分布函數(shù)的隨機(jī)變量來估計(jì)其密度函數(shù)。設(shè)1,2, …,X是取自一元連續(xù)總體的樣本，在任意點(diǎn)處的總體密度函數(shù)()的核密度估計(jì)定義為[21]

3 算例分析

選取某光伏電站實(shí)測(cè)數(shù)據(jù)為研究對(duì)象，在將光伏發(fā)電功率原始數(shù)據(jù)按晴天、多云和雨天等不同天氣類型進(jìn)行分類的基礎(chǔ)上，通過溫度和風(fēng)速2個(gè)特征向量選取相似日，并對(duì)相似日歷史數(shù)據(jù)建立BPNN、SVM和QRF預(yù)測(cè)模型，以實(shí)現(xiàn)光伏發(fā)電功率提前1 h的超短期預(yù)測(cè)。圖2為BPNN、SVM和QRF對(duì)該光伏電站晴天、多云和雨天提前1 h的預(yù)測(cè)結(jié)果。其中：BPNN學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)目標(biāo)為0.01，迭代5 000次；SVM模型的懲罰因子和核參數(shù)2個(gè)變量通過網(wǎng)格搜索選取，參數(shù)范圍設(shè)置為[?8,8]，迭代步長為1；QRF模型取0.5分位點(diǎn)條件下的預(yù)測(cè)值，決策樹數(shù)目設(shè)置為1 000，節(jié)點(diǎn)最小尺寸為10，每棵決策樹從輸入變量集合中隨機(jī)選取try=/3個(gè)變量進(jìn)行權(quán)重學(xué)習(xí)，為輸入變量數(shù)目。為獲得條件分布，設(shè)置分位點(diǎn)范圍為0.01~0.99，步長為0.01，對(duì)每個(gè)預(yù)測(cè)點(diǎn)即可獲得99個(gè)預(yù)測(cè)結(jié)果。

由圖2a)可見：晴天時(shí)光伏發(fā)電功率變化平緩，具有較強(qiáng)的規(guī)律性；不同模型預(yù)測(cè)值均能較好跟蹤真實(shí)值變化趨勢(shì)，具有較好預(yù)測(cè)結(jié)果；在13:00—16:00光伏發(fā)電功率下降時(shí)間段，QRF模型更接近真實(shí)值，有效降低了預(yù)測(cè)誤差。

多云或陰天時(shí)，由于云的遮擋，光伏陣列單位面積太陽輻射強(qiáng)度降低，使得光伏發(fā)電功率降低的同時(shí)具有較強(qiáng)的波動(dòng)性與隨機(jī)性。由圖2b)可見，9:00—12:00時(shí)間段，3種模型均有較大預(yù)測(cè)誤差。

由圖2c)可見：雨天光伏發(fā)電功率相對(duì)于晴天和多云天氣顯著降低，且其變化曲線規(guī)律性較差，增大了預(yù)測(cè)難度；在14:00—16:00光伏發(fā)電功率突變時(shí)間段，BPNN模型預(yù)測(cè)誤差最大；SVM相對(duì)于QRF模型，其預(yù)測(cè)值更接近真實(shí)值；在10:00—12:00時(shí)間段，由于氣象因素的突變導(dǎo)致輸出功率降低，此時(shí)SVM模型預(yù)測(cè)值無法正確反映功率變化趨勢(shì)，導(dǎo)致預(yù)測(cè)誤差增大。

為定量評(píng)價(jià)不同模型預(yù)測(cè)性能，采用平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）和均方根誤差（root mean square error，RMSE）2種評(píng)價(jià)指標(biāo)統(tǒng)計(jì)預(yù)測(cè)誤差，計(jì)算公式分別為：

表1為不同模型、不同天氣類型下光伏發(fā)電功率預(yù)測(cè)誤差?？梢钥闯觯琎RF模型預(yù)測(cè)性能更佳。

表1 不同模型預(yù)測(cè)誤差統(tǒng)計(jì)

Tab.1 Statistics of the forecasting errors of different models

對(duì)每個(gè)基準(zhǔn)點(diǎn)，QRF模型能夠得到99個(gè)分位點(diǎn)條件下的預(yù)測(cè)結(jié)果，進(jìn)而采用核密度估計(jì)算法獲得任意時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)值。圖3為雨天時(shí)不同分位點(diǎn)光伏發(fā)電功率預(yù)測(cè)結(jié)果。由圖3可見，在11:00—13:00時(shí)間段內(nèi)，QRF光伏發(fā)電功率預(yù)測(cè)模型預(yù)測(cè)值波動(dòng)范圍更大，這也間接反映此時(shí)間段內(nèi)光伏發(fā)電功率真實(shí)值波動(dòng)性與隨機(jī)性較強(qiáng)，其變化特征與規(guī)律較難把握。

圖3 不同分位點(diǎn)光伏發(fā)電功率預(yù)測(cè)曲線（雨天）

圖4為雨天時(shí)不同時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)結(jié)果。雨天光伏發(fā)電功率具有較強(qiáng)的波動(dòng)性與隨機(jī)性，而概率密度預(yù)測(cè)結(jié)果能夠更好地描述光伏發(fā)電功率波動(dòng)范圍及不確定性，從而更有利于指導(dǎo)電力調(diào)度部門做出科學(xué)合理的決策。由圖4可見，不同時(shí)刻光伏發(fā)電功率真實(shí)值與預(yù)測(cè)值均出現(xiàn)在概率密度曲線峰值附近，說明預(yù)測(cè)值以較大概率接近真實(shí)值，驗(yàn)證了QRF預(yù)測(cè)模型有效性。

圖4 不同時(shí)刻光伏發(fā)電功率概率密度預(yù)測(cè)（雨天）

4 結(jié) 語

本文在對(duì)光伏發(fā)電功率原始數(shù)據(jù)按天氣類型進(jìn)行分類的基礎(chǔ)上，確定溫度和風(fēng)速為特征向量并采用灰色關(guān)聯(lián)度分析法選取相似日；建立了光伏發(fā)電功率分位數(shù)回歸森林預(yù)測(cè)模型，進(jìn)而采用核密度估計(jì)算法獲得任意時(shí)刻概率密度預(yù)測(cè)結(jié)果，通過實(shí)際算例驗(yàn)證了模型有效性。

［1］ PIERRO M, BUCCI F, DE FELICE M, et al. Multi-model ensemble for day ahead prediction of photovoltaic power generation[J]. Solar Energy, 2016, 134: 132-146.

［2］ 劉琳. 光伏電站有功功率優(yōu)化分配[J]. 熱力發(fā)電, 2015, 44(11): 104-108. LIU Lin. Active power control in photovoltaic power plants[J]. Thermal Power Generation, 2015, 44(11): 104-108.

［3］ 成珂, 郭黎明, 王亞昆. 聚類分析在光伏發(fā)電量預(yù)測(cè)中的應(yīng)用研究[J]. 可再生能源, 2017, 35(5): 68-73. CHENG Ke, GUO Liming, WANG Yakun. Application of cluster analysis in forecasting photovoltaic power generation[J]. Renewable Energy Resources, 2017, 35(5): 68-73.

［4］ 張玉, 黃睿, 張振濤, 等. 基于克里格模型的光伏發(fā)電量預(yù)測(cè)[J]. 熱力發(fā)電, 2017, 46(4): 27-32. ZHANG Yu, HUANG Rui, ZHANG Zhentao, et al. Photovoltaic power generation prediction based on Krige model[J]. Thermal Power Generation, 2017, 46(4): 27-32.

［5］ GUO H P, WU S H, WANG Z Q, et al. Linear regression for forecasting photovoltaic power generation[J]. Applied Mechanics & Materials, 2014, 494: 1771-1774.

［6］ 李芬, 宋啟軍, 蔡濤, 等. 基于PCA-BPNN的并網(wǎng)光伏電站發(fā)電量預(yù)測(cè)模型研究[J]. 可再生能源, 2017, 35(5): 61-67. LI Fen, SONG Qijun, CAI Tao, et al. Based on principal component analysis and the BP neural network in the application of grid-connected photovoltaic power energy prediction[J]. Renewable Energy Resources, 2017, 35(5): 61-67.

［7］ 張玉, 莫寒, 張烈平. 基于模糊支持向量機(jī)的光伏發(fā)電量預(yù)測(cè)[J]. 熱力發(fā)電, 2017, 46(1): 116-120. ZHANG Yu, MO Han, ZHANG Lieping. Photovoltaic power prediction based on fuzzy support vector machine[J]. Thermal Power Generation, 2017, 46(1): 116-120.

［8］ 張雨金, 楊凌帆, 葛雙冶, 等. 基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(21): 118-124. ZHANG Yujin, YANG Lingfan, GE Shuangye, et al. Short-term photovoltaic power forecasting based on Kmeans algorithm and support vector machine[J]. Power System Protection and Control, 2018, 46(21): 118-124.

［9］ 傅美平, 馬紅偉, 毛建容. 基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(16): 65-69. FU Meiping, MA Hongwei, MAO Jianrong. Short-term photovoltaic power forecasting based on similar days and least square support vector machine[J]. Power System Protection and Control, 2012, 40(16): 65-69.

［10］ 單英浩, 付青, 耿炫, 等. 基于改進(jìn)BP-SVM-ELM與粒子化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測(cè)方法[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(12): 3334-3342. SHAN Yinghao, FU Qing, GENG Xuan, et al. Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization[J]. Proceedings of the CSEE, 2016, 36(12): 3334-3342.

［11］ YANG X, JIE R, HONG Y. Photovoltaic power forecasting with a rough set combination method[C]// 2016 UKACC 11th International Conference on Control (CONTROL), Belfast, 2016: 1-6.

［12］ LI Q, SUN Y, YU Y, et al. Short-term photovoltaic power forecasting for photovoltaic power station based on EWT-KMPMR[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 265-273.

［13］ 李多, 董海鷹, 楊立霞. 基于EMD與ELM的光伏電站短期功率預(yù)測(cè)[J]. 可再生能源, 2016, 34(2): 173-177. LI Duo, DONG Haiying, YANG Lixia. The short-term power forecasting of photovoltaic plant based on EMD-ELM[J]. Renewable Energy Resources, 2016, 34(2): 173-177.

［14］ 張立影, 劉智昱, 孟令甲, 等. 基于小波變換和神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測(cè)[J]. 可再生能源, 2015, 33(2): 171-176. ZHANG Liying, LIU Zhiyu, MENG Lingjia, et al. Photovoltaic output power prediction approach based on wavelet transform and neural network[J]. Renewable Energy Resources, 2015, 33(2): 171-176.

［15］ 路志英, 任一墨, 葛路琨. 基于樣條估計(jì)分位數(shù)回歸的光伏功率回歸模型[J]. 湖南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 44(10): 96-103. LU Zhiying, REN Yimo, GE Lukun. Photovoltaic power regression model based on spline estimation and quantile regression[J]. Journal of Hunan University (Natural Sciences), 2017, 44(10): 96-103.

［16］ 陳云龍, 殷豪, 孟安波, 等. 基于模糊信息?；墓夥隽^(qū)間預(yù)測(cè)[J]. 電測(cè)與儀表, 2018, 55(14): 63-68. CHEN Yunlong, YIN Hao, MENG Anbo, et al. PV power interval prediction based on fuzzy information granulation[J]. Electrical Measurement & Instrumentation, 2018, 55(14): 63-68.

［17］ 程澤, 劉沖, 劉力. 基于相似時(shí)刻的光伏出力概率分布估計(jì)方法[J]. 電網(wǎng)技術(shù), 2017, 41(2): 117-124. CHENG Ze, LIU Chong, LIU Li. A method of probabilistic distribution estimation of PV generation based on similar time of day[J]. Power System Technology, 2017, 41(2): 117-124.

［18］ 楊錫運(yùn), 劉歡, 張彬, 等. 組合權(quán)重相似日選取方法及光伏輸出功率預(yù)測(cè)[J]. 電力自動(dòng)化設(shè)備, 2014, 34(9): 118-122.YANG Xiyun, LIU Huan, ZHANG Bin, et al. Similar day selection based on combined weight and photovoltaic power output forecasting[J]. Electric Power Automation Equipment, 2014, 34(9): 118-122.

［19］ 李芬, 李春陽, 糜強(qiáng), 等. 基于GRA-BPNN時(shí)變權(quán)重的光伏短期出力組合預(yù)測(cè)[J]. 可再生能源, 2018, 36(11): 1605-1611. LI Fen, LI Chunyang, MI Qiang, et al. The time-varying weight ensemble forecasting of short-term photovoltaic power based on GRA-BPNN[J]. Renewable Energy Resources, 2018, 36(11): 1605-1611.

［20］ NICOLAI M. Quantile regression forests[J]. Journal of Machine Learning Research, 2006, 7(2): 983-999.

［21］ TRAPERO J R . Calculation of solar irradiation prediction intervals combining volatility and kernel density estimates[J]. Energy, 2016, 114: 266-274.

Forecasting of photovoltaic power generation probability density based on similar day and quantile regression forests

HE Feng, ZHANG Yijun, ZHANG Jianhua, DING Haihua

(State Grid Zhejiang Anji County Power Supply Co., Ltd., Huzhou 313300, China)

In order to improve the forecasting accuracy and reliability of photovoltaic power generation, a photovoltaic power generation probability density forecasting model based on similar day and quantile regression forests (QRF) is proposed. The measured data of a photovoltaic power station are selected as the research object. On the basis of classifying the original data of the photovoltaic power generation according to different weather types, similar days are selected by two eigenvectors (temperature and wind speed). Moreover, the BP neural network (BPNN) model, support vector machine (SVM) model and QRF forecasting model are established for the historical data of similar days. The results show that, on sunny days, the forecasting results of different models can better track the change trend of true values, and the QRF model’s result is closer to the true value during the period of photovoltaic power reduction from 13:00 to 16:00. On cloudy days, the forecasting errors of the above three models are relatively large from 9:00 to 12:00. In rainy days, during the sudden change of photovoltaic power generation from 14:00 to 16:00, the BPNN model has the largest forecasting error, and the SVM model’s forecasting result is closer to the true value than the QRF model, but the forecasting error of the SVM model increases from 10:00 to 12:00. The QRF model has better prediction performance for different weather types among different models.

power of photovoltaic power generation, probability density forecasting, similar day, quantile regression forests, kernel density estimation

TM914

A

10.19666/j.rlfd.201902031

何鋒, 章義軍, 章建華, 等. 基于相似日和分位數(shù)回歸森林的光伏發(fā)電功率概率密度預(yù)測(cè)[J]. 熱力發(fā)電, 2019, 48(7): 64-69. HE Feng, ZHANG Yijun, ZHANG Jianhua, et al. Forecasting of photovoltaic power generation probability density based on similar day and quantile regression forests[J]. Thermal Power Generation, 2019, 48(7): 64-69.

2019-02-25

何鋒(1987—)，男，工程師，主要研究方向?yàn)殡姎夤こ碳捌渥詣?dòng)化，hefeng302@163.com。

（責(zé)任編輯 劉永強(qiáng)）