基于 LightGBM- 带注意力机制的 LSTM 组合模型的光伏瞬时发电量预测研究

金 丹, 王 婧瑜
华电云南发电有限公司以礼河发电厂/云南电网有限责任公司曲靖会泽供电局鲁纳供电所

摘要

为提高光伏电站瞬时发电量预测的精度与可靠性，本文基于机理知识对光伏瞬时发电数据展开特征工程，同时基
于四分位距准则实现对输入特征数据中离群点的清洗，然后以 8:2 比例划分训练数据与测试集，再以 8:2 比例将训练数据划
分训练集与验证集；分别使用随机森林、SVR、LightGBM、LSTM、带注意力机制的 LSTM(A-LSTM) 以及本文提出的基
于线性加权法对 LightGBM 与 LSTM(LGB-L)、LightGBM 与 A-LSTM(LGB-AL) 组合模型对光伏瞬时发电量进行回归预测，
使用 RMSE、MAPE 两个指标进行评估，并以 RMSE 作为主要指标。评估结果表明，本文提出的 LGB-AL 线性加权组合
模型总体表现最佳，从测试集的评估表现来看，LGB-AL 模型在 MAPE 上相较其它模型总体降低 5.62%~35.41%，在 RMSE
上相较其它模型总体降低 3.16%~17.23%。

关键词

光伏瞬时发电量；LightGBM；LSTM；注意力机制；线性加权法

参考

[1] 肖佳 , 梅琦 , 黄晓琪 , 蒋龙 , 张建平 .“双碳”目标

下我国光伏发电技术现状与发展趋势 [J]. 天然气技术与经

济 ,2022,16(05):64-69.

[2]Wang H , Sun J , Wang W . Photovoltaic Power

Forecasting Based on EEMD and a Variable-Weight Combination

Forecasting Model[J]. Sustainability, 2018, 10(8):2627.

[3] 陈美珍 , 柳扬 , 徐胜彬 , 郭俊锋 , 张永强 , 林金阳 . 基

于天气类型及改进的小波神经网络的光伏发电短期预测 [J].

贵州大学学报 ( 自然科学版 ),2022,39(01):70-77+88.

[4]Contreras J , Espinola R , Nogales F J , et al. ARIMA

Models to Predict Next-Day Electricity Prices[J]. IEEE

Transactions on Power Systems, 2003, 18(3):1014-1020.

[5] 綦方中 , 张磊磊 . 基于改进灰色预测模型的供应链韧

性评价与预警研究 [J]. 工业技术经济 ,2022,41(12):100-107.

[6]Xiong Z , Li J , Zhu H , et al. Ultimate Bending Strength

Evaluation of MVFT Composite Girder by using Finite Element

Method and Machine Learning Regressors[J]. 2022.

[7]Joachims T . Making Large-Scale SVM Learning

Practical[J]. Technical Reports, 1998, 8(3):499-526.

[8]R Díaz-Uriarte, SAD Andrés. Gene selection and

classification of microarray data using random forest[J]. Bmc

Bioinformatics, 2006, 7(1):3.

[9] 张皓 , 涂雅培 , 高瑜翔 , 唐军 , 黄天赐 . 基于多重模

糊神经网络的 PID 温度控制算法 [J/OL]. 西华大学学报 ( 自然

科学版 ):1-8[2022-12-26].

[10] 王俊杰 , 毕利 , 张凯 , 孙鹏翔 , 马训德 . 基于多特征

融合和 XGBoost-LightGBM-ConvLSTM 的短期光伏发电量预

测 [J/OL]. 太阳能学报 :1-7[2022-12-22].

[11] 崔佳豪 , 毕利 . 基于混合神经网络的光伏电量预测

模型的研究 [J]. 电力系统保护与控制 ,2021,49(13):142-149.

[12] 方 鹏 , 高 亚 栋 , 潘 国 兵 , 马 登 昌 , 孙 鸿 飞 . 基 于

LSTM 神经网络的中长期光伏电站发电量预测方法研究 [J].

可再生能源 ,2022,40(01):48-54.

[13]Serrano Ardila, V.M.; Maciel, J.N.; Ledesma, J.J.; Ando

Junior, O.H. Fuzzy Time Series Methods Applied to (In)Direct

Short-Term Photovoltaic Power Forecasting. Energies 2022, 15,

845. [Google Scholar] [CrossRef]

[14]Qi M . LightGBM: A Highly Efficient Gradient Boosting

Decision Tree[C]// Neural Information Processing Systems. Curran

Associates Inc. 2017.

[15]Chen T , Guestrin C . XGBoost: A Scalable Tree

Boosting System[J]. ACM, 2016.

[16]Gers, Felix A , Schmidhuber, et al. Learning to Forget:

Continual Prediction with LSTM.[J]. Neural Computation, 2000.

[17] 彭曙蓉 , 郑国栋 , 黄士峻等 . 基于 XGBoost 算法融合

多特征短期光伏发电量预测 [J]. 电测与仪表 ,2020,57(24):76-83.