典型文献
基于图相似日和PSO-XGBoost的光伏功率预测
文献摘要：
为充分利用历史信息,最大限度优化模型效果,提高光伏功率预测精度,提出了基于图相似日和粒子群优化极限梯度提升树(particle swarm optimization-extreme gradient boosting tree,PSO-XGBoost)的光伏功率预测方法.将每天由天气特征组成的向量转换成格拉姆矩阵,以便充分挖掘各个向量之间的关系;然后将拉姆矩阵转换为图像,采用结构相似性算法(structural similarity,SSIM)寻找与待预测日最相似的历史日,并选取历史日的光伏功率、待预测日的辐照度、温度、湿度作为极限梯度提升树的输入变量;为充分发挥模型的预测能力,运用粒子群算法优化极限梯度提升树确定最优的超参数,最终输出各时段的光伏功率预测值.利用光伏电站实际数据进行验证,结果表明:相比于未改进的XGBoost模型,所提方法在晴天下的均方根误差(root mean square error,RMSE)降低了 31.6％,平均绝对误差(mean absolute error,MAE)降低了 31.6％;在多云天气下的RMSE降低了 24.1％,MAE降低了 40％;在阴雨天气下的RMSE降低了 25％,MAE降低了 38.5％,有效地提高了模型的预测精度和泛化能力.
文献关键词：
图相似日;格拉姆矩阵;结构相似性;极限梯度提升树;光伏功率预测;历史日
中图分类号：
作者姓名：
吴春华;董阿龙;李智华;汪飞
作者机构：
上海大学电气工程系上海市电站自动化技术重点实验室,上海200072
文献出处：
引用格式：
[1]吴春华;董阿龙;李智华;汪飞-.基于图相似日和PSO-XGBoost的光伏功率预测)[J].高电压技术,2022(08):3250-3259
A类：
图相似日
B类：
PSO,XGBoost,光伏功率预测,历史信息,粒子群优化,化极,极限梯度提升树,particle,swarm,optimization,extreme,gradient,boosting,tree,天气特征,转换成,格拉姆矩阵,结构相似性,相似性算法,structural,similarity,SSIM,历史日,辐照度,预测能力,粒子群算法,算法优化,超参数,利用光,光伏电站,实际数据,未改,晴天,root,mean,square,error,RMSE,平均绝对误差,absolute,MAE,多云,云天,阴雨天气,泛化能力
AB值：
0.276696
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
