[发明专利]基于XGBoost的光伏辐照度预报方法及系统

说明书

本发明提出一种基于XGBoost的光伏辐照度预报方法及系统，其数据准备与预处理包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入、以数据集R为目标的模型M；验证并根据模型预测光伏电站短期辐照度。本发明通过对多种气象要素的组合，有效扩充NWP预报的特征空间，深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。

技术领域

本发明属于光伏发电领域，特别涉及到一种基于XGBoost的光伏辐照度预报方法及系统。

背景技术

太阳能作为一种清洁的可再生能源日益受到人们的广泛关注，随着光伏并网规模的不断扩大，光伏已成为第三大电力能源，然而地面接收到的太阳光强度受天气状况、云层运动等影响巨大，当光伏穿透功率较高时，对电网带来冲击，因此，为保障电网安全可靠运行，减少弃光限电，对辐照度和光伏功率进行准确预测变得十分重要。根据电力部门安排调度计划的需要，模式预报辐照度预测是短期光伏功率预测的基础和重点。

目前，短期光伏预测的主要研究路线是将模式预报和统计方法相结合。采用中尺度数值天气预报模式将全球场气象数据降尺度到光伏电场级别，预报的时间分辨率高，更准确。但是由于数值天气预报模式的分辨率仍不够精细，其很多物理过程也是通过参数化方法实现，是对大气和大气过程的近似描述，因此，模式预报结果和实际大气有一定差别，具有很大不确定性，其预报已经不能满足光伏行业需求，因此有必要对模式输出预测辐照度进行改进，进一步提高辐照度预报准确性。

当前用于短期光伏辐照度预报的方法主要有时间序列法、SVM支持向量机、BP神经网络等。时间序列法以线性模型为基础，在处理多维非线性领域的问题存在缺陷；SVM具有较好的泛化能力，但模型训练时间长，短期预测上难以满足要求；BP有着良好的学习能力和非线性表达能力，但容易陷入局部最优，收敛速度不能满足要求。

另外基于MOS订正的方法可以大幅降低系统误差，但是不具备改进日内多云、天气突变等情况的预报能力，不能体现更高时间分辨率下的天气变化细节；采用Kalman滤波、神经网络等统计方法对NWP辐照度进行订正，也能提高短期辐照度预报精度，但是并未结合光伏发电规律对NWP辐照度进行针对性订正，无法满足现阶段行业对NWP预报的精度需求。

以上统计预报方法和各种机器学习方法均未考虑多种气象要素组合的情况，在数值天气预报中，由于实际大气的预报误差具有随不同天气形势明显变化的特征，天气形势变化过程越接近，其预报误差规律也更接近，因此，亟需一种利用多种要素组合作为表征天气趋势样本、对预报误差给出更加准确预报的方法。

发明内容

本发明提出一种基于XGBoost的光伏辐照度预报方法及系统，通过对多种气象要素的组合，有效扩充NWP预报的特征空间，深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于XGBoost的光伏辐照度预报方法，包括：

S1、数据准备与预处理，包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；

S2、根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M；

S3、验证并根据模型预测光伏电站短期辐照度。

进一步的，步骤S1具体包括：

S101、准备光伏电站的历史观测辐照度数据；