摘要(Abstract)：
为了提高光伏电站光伏发电功率预测精度，解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足，基于极限梯度提升算法、长短期记忆算法和线性自适应权重，提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测；分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型，将2种单一模型的初步预测值和真实值组成新的训练数据集，利用神经网络算法训练所提出的模型，对2种单一模型的初步预测值分配自适应权重系数，并根据训练时所提出模型的预测值大小分段统计预测误差的分布，预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正，进一步提高所提出模型的预测精度；利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明：与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比，所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差，优化了传统组合模型的权重系数；3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强，验证了所提出模型的有效性。
关键词(KeyWords)：光伏发电;功率预测;自适应权重;误差修正;极限梯度提升算法;长短期记忆算法
基金项目(Foundation):国家重点研发计划项目(2018YFE0208400)
作者(Author): 陈德余,张玮,王辉
DOI: 10.13349/j.cnki.jdxbn.20231126.001
参考文献(References)：
[1] 丁怡婷.我国光伏发电并网装机容量突破3亿千瓦：连续7年稳居全球首位[N].人民日报，2022-01-21(7).
[2] 王福忠，王帅峰，张丽.基于VMD-LSTM与误差补偿的光伏发电超短期功率预测[J].太阳能学报，2022,43(8):96.
[3] 王献志，曾四鸣，周雪青，等.基于XGBoost联合模型的光伏发电功率预测[J].太阳能学报，2022,43(4):236.
[4] 崔树银，汪昕杰.基于特征工程的集成学习短期光伏功率预测[J].科学技术与工程，2022,22(2):532.
[5] 王冠杰.基于改进集成学习算法的光伏场站功率预测方法[D].济南：山东大学，2021.
[6] 汤德清，朱武，侯林超.基于CNN-LSTM-XGBoost模型的超短期光伏功率预测[J].电源技术，2022,46(9):1048.
[7] 贾睿，杨国华，郑豪丰，等.基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法[J].中国电力，2022,55(5):47.
[8] CHEN T Q,GUESTRIN C.XGBoost:a scalable tree boosting system[C]//KDD’16:The 22nd ACM SIGKDD:International Conference on Knowledge Discovery and Data Mining,August 13-17,2016,San Francisco,CA,USA.New York:ACM,2016:786-787.
[9] 王雅兰，田野，杨丽华.基于DA-CNNGRU混合神经网络的超短期风电场功率预测方法[J].湖北电力，2021,45(3):23.
[10] 刘杰，陈雪梅，陆超，等.基于数据统计特性考虑误差修正的两阶段光伏功率预测[J].电网技术，2020,44(8):2891.
[11] 李大中，李颖宇.基于深度学习与误差修正的超短期风电功率预测[J].太阳能学报，2021,42(12):200.
[12] 唐新姿，顾能伟，黄轩晴，等.风电功率短期预测技术研究进展[J].机械工程学报，2022,58(12):220.
[13] 康田雨，覃智君.基于超参数优化和双重注意力机制的超短期风电功率预测[J].南方电网技术，2022,16(5):49.
