基于DKDE与改进mRMR特征选择的短期光伏出力预测

刘嘉诚; 刘俊; 赵宏炎; 吴泽阳; 刘晓明; 吴柳

doi:10.7500/AEPS20201126004

您当前的位置：

首页 >

文章列表页 >

基于DKDE与改进mRMR特征选择的短期光伏出力预测

学术研究 | 更新时间：2025-06-16

- 基于DKDE与改进mRMR特征选择的短期光伏出力预测
- Short-term Photovoltaic Output Forecasting Based on Diffusion Kernel Density Estimation and Improved Max-relevance and Min-redundancy Feature Selection
- 电力系统自动化 2021年45卷第14期页码：13-21
- 作者机构：
  
  1.陕西省智能电网重点实验室（西安交通大学电气工程学院），陕西省西安市 710049
  2.人工智能与数字经济广东省实验室，广东省广州市 510320
- 作者简介：
  
  刘嘉诚(1998—)，男，硕士研究生，主要研究方向：电力系统运行分析和控制、人工智能与机器学习在电力系统中的应用。E-mail：ljc19980227@stu.xjtu.edu.cn
  刘俊(1982—)，男，通信作者，博士，副教授，主要研究方向：电力系统运行分析和控制、电力系统稳定性、电力系统并行计算、可再生能源并网、HVDC和FACTS技术等。E-mail：eeliujun@mail.xjtu.edu.cn
  赵宏炎(1995—)，男，硕士研究生，主要研究方向：电力系统运行分析和控制、人工智能在电力系统中的应用。 E-mail：laozhao1213@stu.xjtu.edu.cn
- 基金信息：
  
  国家电网公司科技项目(SGTJDK00DWJS1800232);国家重点研发计划资助项目(2018YFB0905000)
- DOI：10.7500/AEPS20201126004
  中图分类号：
- 收稿日期：2020-11-26，
  
  修回日期：2021-02-20，
  
  网络出版日期：2021-04-30，
  
  纸质出版日期：2021-07-25
- 稿件说明：
移动端阅览
刘嘉诚,刘俊,赵宏炎等.基于DKDE与改进mRMR特征选择的短期光伏出力预测[J].电力系统自动化,2021,45(14):13-21.

LIU Jiacheng,LIU Jun,ZHAO Hongyan,et al.Short-term Photovoltaic Output Forecasting Based on Diffusion Kernel Density Estimation and Improved Max-relevance and Min-redundancy Feature Selection[J].Automation of Electric Power Systems,2021,45(14):13-21.
刘嘉诚,刘俊,赵宏炎等.基于DKDE与改进mRMR特征选择的短期光伏出力预测[J].电力系统自动化,2021,45(14):13-21. DOI： 10.7500/AEPS20201126004.

LIU Jiacheng,LIU Jun,ZHAO Hongyan,et al.Short-term Photovoltaic Output Forecasting Based on Diffusion Kernel Density Estimation and Improved Max-relevance and Min-redundancy Feature Selection[J].Automation of Electric Power Systems,2021,45(14):13-21. DOI： 10.7500/AEPS20201126004.

摘要

随着光伏发电装机容量的增长，其在能源消费中的占比不断提升，准确预测光伏发电功率对电力系统发展规划和调度运行均具有重要意义。目前，针对光伏预测特征选择的研究比较少，不合理的特征选择往往导致信息丢失，气象参数与出力间的映射关系难以有效挖掘，最终导致预测精度偏低。因此，文中提出一种基于改进互信息计算与改进最大相关最小冗余（mRMR）的光伏预测特征选择方法。针对连续随机变量相关性互信息难以直接计算的问题，基于扩散核密度估计(DKDE)理论，提出一种依据概率密度的区间划分方法并应用于变量离散化，以提高互信息对实际有限数据集的表征能力。然后，对传统mRMR的增量搜索过程进行了改进，提出一种可并行筛选多个特征子集的改进mRMR算法，并针对各特征子集分别采用XGBoost算法构建气象信息与光伏功率的预测模型。最后，通过实际光伏电站测量数据验证了所提方法的有效性和准确性。

Abstract

With the growth of the installed capacity of the photovoltaic (PV) power generation

its proportion in energy consumption keeps increasing. Accurate forecasting of PV power generation is of great significance to the development plan and dispatching operation of power systems. At present

there are still few researches on feature selection in PV forecasting. Unreasonable feature selection often leads to loss of information

and it is difficult to effectively mine the mapping relationship between meteorological parameters and the power output

which results in low forecasting accuracy. Therefore

this paper proposes a feature selection method for PV forecasting based on improved mutual information calculation and improved max-relevance and min-redundancy (mRMR). Aiming at the problem that it is difficult to directly calculate the correlation and mutual information of continuous random variables

based on the theory of diffusion kernel density estimation (DKDE)

an interval division method based on the probability density is proposed and applied to the discretization of variables

which improves the ability of mutual information to represent actual limited data sets. Then

the incremental search process of the traditional mRMR is improved

and an improved mRMR algorithm is proposed

which can select multiple feature subsets in parallel. The XGBoost (eXtreme gradient boosting) algorithm is applied to each feature subset to construct the weather information and PV power forecasting model. Finally

the effectiveness and accuracy of the proposed method are verified by the measured data of an actual photovoltaic power station.

关键词

Keywords

references

吕鑫，祁雨霏，董馨阳，等 . 2020年光伏及风电产业前景预测与展望［J］. 北京理工大学学报（社会科学版）， 2020 ， 22 （ 2 ）： 20 - 25 .

LÜ Xin ， QI Yufei ， DONG Xinyang ， et al . Outlook and prospect of the photovoltaic and wind power industry in 2020 ［J］. Journal of Beijing Institute of Technology （Social Sciences Edition）， 2020 ， 22 （ 2 ）： 20 - 25 .

国家能源局 . 2019年光伏发电并网运行情况［EB/OL］.［ 2020-02-28 ］. http：//www.nea.gov.cn/2020-02/28/c_138827923.htm http://www.nea.gov.cn/2020-02/28/c_138827923.htm .

National Energy Administration . Grid operation situation of photovoltaic power generation in 2019 ［EB/OL］. ［ 2020-02-28 ］. http：//www.nea.gov.cn/2020-02/28/c_138827923.htm http://www.nea.gov.cn/2020-02/28/c_138827923.htm .

丁明，王伟胜，王秀丽，等 . 大规模光伏发电对电力系统影响综述［J］. 中国电机工程学报， 2014 ， 34 （ 1 ）： 1 - 14 .

DING Ming ， WANG Weisheng ， WANG Xiuli ， et al . A review on the effect of large-scale PV generation on power systems ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 1 ）： 1 - 14 .

龚莺飞，鲁宗相，乔颖，等 . 光伏功率预测技术［J］. 电力系统自动化， 2016 ， 40 （ 4 ）： 140 - 151 .

GONG Yingfei ， LU Zongxiang ， QIAO Ying ， et al . An overview of photovoltaic energy system output forecasting technology ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 4 ）： 140 - 151 .

国家能源局 . 光伏发电功率预测系统功能规范：NB/T 32031—2016 ［S］. 北京：新华出版社， 2016 .

National Energy Administration . Function specification of PV power forecasting system： NB/T 32031—2016 ［S］. Beijing ： Xinhua Publishing House ， 2016 .

赖昌伟，黎静华，陈博，等 . 光伏发电出力预测技术研究综述［J］. 电工技术学报， 2019 ， 34 （ 6 ）： 1201 - 1217 .

LAI Changwei ， LI Jinghua ， CHEN Bo ， et al . Review of photovoltaic power output prediction technology ［J］. Transactions of China Electrotechnical Society ， 2019 ， 34 （ 6 ）： 1201 - 1217 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

姚宏民，杜欣慧，秦文萍 . 基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法［J］. 太阳能学报， 2020 ， 41 （ 9 ）： 184 - 190 .

YAO Hongmin ， DU Xinhui ， QIN Wenping . PV power forecasting approach based on density peaks clustering and general regression neural network ［J］. Acta Energiae Solaris Sinica ， 2020 ， 41 （ 9 ）： 184 - 190 .

王飞，米增强，甄钊，等 . 基于天气状态模式识别的光伏电站发电功率分类预测方法［J］. 中国电机工程学报， 2013 ， 33 （ 34 ）： 75 - 82 .

WANG Fei ， MI Zengqiang ， ZHEN Zhao ， et al . A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 34 ）： 75 - 82 .

谭津，邓长虹，杨威，等 . 微电网光伏发电的Adaboost天气聚类超短期预测方法［J］. 电力系统自动化， 2017 ， 41 （ 21 ）： 33 - 39 .

TAN Jin ， DENG Changhong ， YANG Wei ， et al . Ultra-short-term photovoltaic power forecasting in microgrid based on Adaboost clustering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 21 ）： 33 - 39 .

谢从珍，王江储，谢心昊，等 . 基于细粒度特征的BOA-GBDT光伏出力预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 689 - 696 .

XIE Congzhen ， WANG Jiangchu ， XIE Xinhao ， et al . PV output prediction based on gradient boosting decision tree model with Bayesian optimization algorithm and fine-grained features ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 689 - 696 .

黎静华，黄乾，韦善阳，等 . 基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用［J］. 电网技术， 2017 ， 41 （ 10 ）： 3292 - 3300 .

LI Jinghua ， HUANG Qian ， WEI Shanyang ， et al . Improved deep learning algorithm based on S-BGD and gradient pile strategy and its application in PV power forecasting ［J］. Power System Technology ， 2017 ， 41 （ 10 ）： 3292 - 3300 .

胡兵，詹仲强，陈洁，等 . 基于PCA-GA-Elman的短期光伏出力预测研究［J］. 太阳能学报， 2020 ， 41 （ 6 ）： 256 - 263 .

HU Bing ， ZHAN Zhongqiang ， CHEN Jie ， et al . Prediction research on short-term photovoltaic output based on PCA-GA-Elman ［J］. Acta Energiae Solaris Sinica ， 2020 ， 41 （ 6 ）： 256 - 263 .

刘俊，王旭，郝旭东，等 . 基于多维气象数据和PCA-BP神经网络的光伏发电功率预测［J］. 电网与清洁能源， 2017 ， 33 （ 1 ）： 122 - 129 .

LIU Jun ， WANG Xu ， HAO Xudong ， et al . Photovoltaic power forecasting based on multidimensional meteorological data and PCA-BP neural network ［J］. Power System and Clean Energy ， 2017 ， 33 （ 1 ）： 122 - 129 .

廖卫强，张认成，俞万能，等 . 基于相似样本及PCA的光伏输出功率预测［J］. 太阳能学报， 2016 ， 37 （ 9 ）： 2377 - 2385 .

LIAO Weiqiang ， ZHANG Rencheng ， YU Wanneng ， et al . Prediction of output power of photovoltaic based on similar samples and principal component analysis ［J］. Acta Energiae Solaris Sinica ， 2016 ， 37 （ 9 ）： 2377 - 2385 .

冉成科，夏向阳，杨明圣，等 . 基于日类型及融合理论的BP网络光伏功率预测［J］. 中南大学学报（自然科学版）， 2018 ， 49 （ 9 ）： 2232 - 2239 .

RAN Chengke ， XIA Xiangyang ， YANG Mingsheng ， et al . BP network PV power forecast based on daily type and fusion theory ［J］. Journal of Central South University （Science and Technology）， 2018 ， 49 （ 9 ）： 2232 - 2239 .

周楠，徐潇源，严正，等 . 基于宽度学习系统的光伏发电功率超短期预测［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 55 - 64 .

ZHOU Nan ， XU Xiaoyuan ， YAN Zheng ， et al . Ultra-short-term forecasting of photovoltaic power generation based on broad learning system ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 55 - 64 .

LIU J ， SUN H W ， CHANG P ， et al . Research of photovoltaic power forecasting based on big data and mRMR feature reduction ［C］// 2018 IEEE Power & Energy Society General Meeting （PESGM）， August 5-10 ， 2018 ， Portland， USA .

PENG H C ， LONG F H ， DING C . Feature selection based on mutual information criteria of max-dependency， max-relevance， and min-redundancy ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2005 ， 27 （ 8 ）： 1226 - 1238 .

KWAK N ， CHOI C H . Input feature selection by mutual information based on Parzen window ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2002 ， 24 （ 12 ）： 1667 - 1671 .

YIN C X ， ZHANG H J ， ZHANG R ， et al . Feature selection by computing mutual information based on partitions ［J］. IEICE Transactions on Information and Systems ， 2018 （ 2 ）： 437 - 446 .

BOTEV Z I ， GROTOWSKI J F ， KROESE D P . Kernel density estimation via diffusion ［J］. The Annals of Statistics ， 2010 ， 38 （ 5 ）： 2916 - 2957 .

茹杨 . 核函数的核密度估计算法［D］. 哈尔滨：哈尔滨理工大学， 2016 .

RU Yang . Algorithm of kernel density estimation of kernel function ［D］. Harbin ： Harbin University of Science and Technology ， 2016 .

XU X Y ， YAN Z ， XU S L . Estimating wind speed probability distribution by diffusion-based kernel density method ［J］. Electric Power Systems Research ， 2015 ， 121 ： 28 - 37 .

CHEN T Q ， GUESTRIN C . XGBoost： a scalable tree boosting system ［EB/OL］. ［ 2021-02-02 ］. https：//arxiv.org/abs/1603.02754 https://arxiv.org/abs/1603.02754 .

唐雅洁，林达，倪筹帷，等 . 基于XGBoost的双层协同实时校正超短期光伏预测［J/OL］. 电力系统自动化［ 2020-09-14 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html .

TANG Yajie ， LIN Da ， NI Chouwei ， et al . XGBoost based bi-layer collaborative real-time calibration for ultra-short-term photovoltaic prediction ［J/OL］. Automation of Electric Power Systems ［ 2020-09-14 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html .

UO solar radiation monitoring laboratory ［EB/OL］. ［ 2021-02-02 ］. http：//solardat.uoregon.edu/SelectArchivalUpdated Format.html http://solardat.uoregon.edu/SelectArchivalUpdatedFormat.html .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于特征选择与增量学习的非侵入式电动自行车充电辨识方法

新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测

基于多分类支持向量机的分布式发电系统并网保护

基于支持向量机增量学习的电力系统暂态稳定评估