吳明朗

【關(guān)鍵字】分布式光伏；特征工程；光伏發(fā)電功率預(yù)測；XGBoost

引言

為應(yīng)對全球氣候變化，解決資源環(huán)境約束突出問題，我國提出 “力爭2030年前實(shí)現(xiàn)碳達(dá)峰、2060年前實(shí)現(xiàn)碳中和”的“雙碳”目標(biāo)。隨著“雙碳”行動方案的實(shí)施和“整縣開發(fā)試點(diǎn)”工作的推進(jìn)，低壓分布式光伏裝機(jī)容量的不斷增加，同時低壓分布式光伏發(fā)電的波動性、間歇性使電網(wǎng)系統(tǒng)面臨調(diào)峰壓力大、提升光伏發(fā)電消納困難等問題[1]，為電網(wǎng)安全、經(jīng)濟(jì)運(yùn)行帶來了嚴(yán)峻挑戰(zhàn)?！丁笆奈濉蹦茉搭I(lǐng)域科技創(chuàng)新規(guī)劃》指出要大力發(fā)展包括多時空尺度光伏發(fā)電功率預(yù)測技術(shù)，要利用大數(shù)據(jù)、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)手段提高低壓分布式光伏等新能源發(fā)電功率預(yù)測準(zhǔn)確度，提升可再生能源負(fù)荷預(yù)測水平。因此，分布式光伏發(fā)電功率預(yù)測具有重要意義。

隨著近年來人工智能技術(shù)的發(fā)展，光伏發(fā)電技術(shù)也從傳統(tǒng)的方式向機(jī)器學(xué)習(xí)[2]和深度學(xué)習(xí)方向轉(zhuǎn)變?？准t梅、張家安、時珉等人對分布式光伏空間相關(guān)性進(jìn)行了深入分析，提出了一種基于空間相關(guān)性的區(qū)域分布式光伏出力預(yù)測方法[3-5] 。闞博文等人基于圖機(jī)器學(xué)習(xí)提出了一種面向分布式光伏電站的深度時空特征提取預(yù)測模型[6]。董雷等人提出一種條件概率預(yù)測方法，應(yīng)用動態(tài)貝葉斯網(wǎng)絡(luò)理論，建立光伏發(fā)電預(yù)測的DBN模型[7]。李光明等人對硅太陽電池單一組件發(fā)電功率進(jìn)行了理論計算，建立了一種以輻射量及組件溫度為變量的多元線性回歸光伏發(fā)電功率及發(fā)電量預(yù)測模型[8]。栗然，William VanDeventer，Abdel-Nasser等人在建立光伏并網(wǎng)發(fā)電系統(tǒng)模型基礎(chǔ)上，采用支持向量機(jī)回歸算法建立光伏發(fā)電系統(tǒng)的功率預(yù)測模型[9-11]。

因此，為解決分布式光伏發(fā)電功率預(yù)測問題，本文采用XGBoost實(shí)現(xiàn)分布式光伏的發(fā)電功率預(yù)測。本文對光伏發(fā)電的影響因子對各個變量分別進(jìn)行了復(fù)雜的特征工程，擴(kuò)展了原始的特征空間，并選出有效的特征變量用于XGBoost模型輸入。采用了超參數(shù)調(diào)節(jié)的方法，對算法進(jìn)行優(yōu)化，并選取某區(qū)域的分布式光伏用戶進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)表明：本文提出的特征工程方法對分布式光伏發(fā)電功率預(yù)測技術(shù)有效，基于XGBoost的分布式光伏發(fā)電功率預(yù)測模型有很好的預(yù)測精度，各個誤差指標(biāo)小，泛化性能好，符合分布式光伏發(fā)電功率預(yù)測的要求。

一、相關(guān)性分析

（一）影響因素分析

根據(jù)低壓分布式光伏發(fā)電的機(jī)理，分布式光伏發(fā)電功率受到氣候、地理環(huán)境、氣象等多種因素影響，不同環(huán)境下不同的氣象對其影響程度也不同。分布式光伏發(fā)電特性和太陽輻射強(qiáng)度、太陽輻射能量、溫度、濕度、云量、風(fēng)速、風(fēng)向、降雨等氣象因子密切相關(guān)。因此，發(fā)電功率受多種條件綜合影響，而這些影響因子隨時間動態(tài)變化，表現(xiàn)出間歇性、周期性和不穩(wěn)定性等特征。本文選取了多個影響因子用于模型輸入，如下表1所示。

表 1 分布式光伏發(fā)電影響因子輸入

（二）特征工程在

（一）中的部分變量不能直接輸入到模型，如天氣條件、日出時間和日落時間。另外，需要對特征進(jìn)行泛化、轉(zhuǎn)換生成新的特征，得到更多隱藏的特征變量，實(shí)現(xiàn)特征空間的擴(kuò)展。為低壓分布式光伏發(fā)電預(yù)測算法提供更豐富的特征輸入，提升模型預(yù)測的精度。本文中使用了編碼、差分、統(tǒng)計、交叉和趨勢計算特征等方法構(gòu)建特征。

（1）時間特征構(gòu)造

基于某一時間點(diǎn)的日期和時間，對各個部分進(jìn)行拆分，構(gòu)造出新的特征，主要拆分出月，周，日，小時特征，衍生出4個新的特征。

基于以上3個指標(biāo)對模型的性能進(jìn)行評價，MSE和MAE在測試樣本上的值越小越好，R2在測試樣本上的值越接近1越好。

（三）基于xgboost的預(yù)測模型構(gòu)建

1、試驗(yàn)數(shù)據(jù)

本文以某區(qū)域的分布式光伏用戶的發(fā)電功率為對象，以分布式光伏用戶歷史發(fā)電功率數(shù)據(jù)和該區(qū)域的歷史氣象數(shù)據(jù)作為基礎(chǔ)，其數(shù)據(jù)項(xiàng)為包括了表1中所示。數(shù)據(jù)時間范圍為2021年4月20日至2022年4月20日，數(shù)據(jù)均為1小時一個點(diǎn)，每天24點(diǎn)的數(shù)據(jù)。本文以該數(shù)據(jù)進(jìn)行建模分析。

為構(gòu)建基于XGBoost的預(yù)測模型，將數(shù)據(jù)按照“特征工程”和“特征篩選”章節(jié)所述進(jìn)行了特征構(gòu)造和特征篩選，并將數(shù)據(jù)拆為2部分：2021年4月20日至2022年3月31日作為訓(xùn)練集；2022年4月1日至2022年4月20日作為測試集。

2、模型參數(shù)

在XGBoost模型中參數(shù)很多，本文使用網(wǎng)絡(luò)搜索（Grid Search）實(shí)現(xiàn)XGBoost的超參數(shù)調(diào)節(jié)，最后得到如下表2所示的最優(yōu)參數(shù)取值。

表 2 XGBoost超參數(shù)取值

（四）模型預(yù)測結(jié)果及分析

為對XGBoost模型進(jìn)行評估，對2022年4月1日至2022年4月20日的測試集進(jìn)行了預(yù)測，如下圖1所示。

圖 1 在測試集上的預(yù)測結(jié)果

從圖2中可以看出橙色的線為預(yù)測值，藍(lán)色的線為真實(shí)值，發(fā)電功率的真實(shí)曲線和預(yù)測曲線基本重合，說明XGBoost能較好地對分布式發(fā)電功率進(jìn)行預(yù)測。下面分別對24小時和72小時的發(fā)電功率曲線進(jìn)行預(yù)測和可視化，如下圖3所示，可以看出不同時間尺度上的預(yù)測效果較好。

圖 2 日預(yù)測效果（左）和72小時預(yù)測效果（右）

從模型性能指標(biāo)角度進(jìn)行分析，分別計算整個測試集預(yù)測曲線、24小時預(yù)測曲線和72小時預(yù)測曲線的評價指標(biāo)，得到如下表3所示。

表 3 模型評價指標(biāo)

從MSE、MAE和R2三個評價指標(biāo)看，XGBoost在整個測試集上都有較好的預(yù)測效果，MSE可以達(dá)到0.02以下，MAE可在0.08以下，R2更是在0.96以上；而24小時的預(yù)測結(jié)果和72小時的預(yù)測結(jié)果，從指標(biāo)上72小時的預(yù)測結(jié)果效果模型性能更好，也說明XGBoost在分布式光伏發(fā)電功率預(yù)測上的泛化性好，XGBoost模型的整體性能很好。

XGBoost模型可以對特征變量的重要性進(jìn)行量化分析，因此對特征變量的重要性進(jìn)行可視化，如下圖3所示。

圖 3 基于XGBoost的特征重要性

從特征重要性排序中可以看出太陽輻射強(qiáng)度，紫外線指數(shù)，前2天和3天的發(fā)電功率的查分特征，交叉特征都比較重要。但是太陽輻射能量重要性較低，可能是因?yàn)樵撎卣骱吞栞椛鋸?qiáng)度特征相關(guān)性較高導(dǎo)致?？傊?，通過特征重要性可以看出本文中的特征工程是非常有效的。

結(jié)論

本文通過對歷史氣象數(shù)據(jù)和發(fā)電功率曲線數(shù)據(jù)進(jìn)行特征工程的計算、特征篩選，并基于XGBoost建立分布式光伏發(fā)電功率預(yù)測模型?；谀硡^(qū)域的分布式光伏發(fā)電功率數(shù)據(jù)進(jìn)行了驗(yàn)證，得出結(jié)論如下：

1）本文中的特征工程對分布式光伏發(fā)電功率預(yù)測是有效的，構(gòu)造的特征變量在模型中具有較高的重要性，構(gòu)造后的特征空間能幫助模型提高模型性能。

2）XGBoost模型在分布式光伏發(fā)電功率預(yù)測中具有很好的性能，在獨(dú)立測試集上進(jìn)行發(fā)電功率預(yù)測，XGBoost模型表現(xiàn)出模型精度高，泛化能力強(qiáng)。

在不同時間尺度下的預(yù)測，XGBoost模型的性能表現(xiàn)較好，分別在24小時和72小時的時間尺度下進(jìn)行測試，XGBoost模型性能指標(biāo)表現(xiàn)都很好，甚至72小時的模型性能可以超過24小時。