基于CNN-GRU-ISSA-XGBoost的短期光伏功率預測

摘要：針對光伏功率隨機性及波動性大，單一預測模型往往難以準確分析歷史數據波動規律，從而導致預測精度不高的問題，提出一種基于卷積神經網絡-門控循環單元（CNN-GRU）和改進麻雀搜索算法（ISSA）優化的極限梯度提升（XGBoost）模型的短期光伏功率預測組合模型．首先去除歷史數據中的異常值并對其進行歸一化處理，利用主成分分析法（PCA）進行特征選取，以便更好地識別影響光伏功率的關鍵因素．然后采用CNN網絡提取數據的空間特征，再經過GRU網絡提取時間特征，針對XGBoost模型手動配置參數困難、隨機性大的問題，利用ISSA對模型超參數尋優．最后對兩種方法預測的結果用誤差倒數法減小誤差的同時對權重進行更新，得到新的預測值，從而完成對光伏功率的預測．實驗結果表明，所提出的CNN-GRU-ISSA-XGBoost組合模型具有更強的適應性和更高的精度．

關鍵詞：光伏功率預測;改進麻雀搜索算法;卷積神經網絡;門控循環單元;XGBoost模型

中圖分類號TM391;TM615

文獻標志碼A

0引言

光伏發電過程具有隨機性和不穩定性等特點，給電力系統的安全運行帶來了巨大挑戰．因此，提高光伏并網后電力系統的運行穩定性至關重要．精確地預測光伏發電功率對相關電力部門進行實時、準確的規劃調度具有重要意義，可顯著提高光伏電站的運行效率，為未來大規模光伏電站的穩定運行奠定了堅實基礎［1］．

目前，光伏功率預測方法主要分為物理預測方法和統計預測方法兩類．物理預測方法通常使用精確的氣象和環境信息數據建立復雜的物理模型進行預測，但容易受外界因素的影響［2］．統計預測方法則利用光伏電站發電歷史數據和天氣預報數據進行分析處理，確定適用的預測模型和估計模型參數來預測光伏發電功率．常用的預測模型和算法包括支持向量機［3］、灰色預測模型［4］、神經網絡［5-6］等自適應學習算法．近年來，應用人工智能技術進行光伏發電功率預測成為一個新的研究熱點．文獻［7］利用RF算法對光伏數據降維并利用XGBoost模型進行光伏發電功率預測，提高了數據有一定缺失情況時的魯棒性，但對數據的篩選及天氣的分類工作不足，其預測精度有限;文獻［8］提出一種支持向量機回歸（SVR）短期光伏功率預測模型，利用大數據和mRMR技術進行輸入特征降維，采用遺傳算法對SVR機內的學習參數進行優化，從而提高了計算速度和預測精度;文獻［9］提出一種基于Bi-LSTM和注意機制光伏功率預測模型，引入了特征注意層和時間注意層來提高預測性能，但此方法的數據特征很少，并且只考慮氣象因素作為輸入源．由于單一預測模型存在預測精度低和穩定性差的問題，文獻［10］提出一種CNN-LSTM-XGBoost預測模型，通過CNN進行特征提取，然后輸入LSTM模型并采用誤差倒數法與XGBoost模型組合進行預測，提高了預測精度，但網絡參數采用經驗匹配法，不能充分發揮模型性能．

為進一步提高光伏發電功率預測精度，本文提出一種基于卷積神經網絡-門控循環單元（Convolutional Neural Network-Gated Recurrent Unit，CNN-GRU）和改進麻雀搜索算法（Improved Sparrow Search Algorithm，ISSA）優化的極限梯度提升（eXtreme Gradient Boosting，XGBoost）模型的短期光伏功率預測模型——CNN-GRU-ISSA-XGBoost．該方法首先使用主成分分析法（Principal Component Analysis，PCA）對各氣象特征量進行特征選取，去除與光伏發電功率相關性較低的無用特征．

然后為GRU網絡模型添加了CNN網絡作為局部特征預提取模塊，并利用ISSA對XGBoost模型超參數尋優，選取最優超參數以充分發揮模型性能．最后采用誤差倒數法將CNN-GRU模型與ISSA-XGBoost組合，構成最終的光伏功率預測模型．將上述方法與支持向量機（SVM）、隨機森林（RF）、長短時記憶網絡（LSTM）、BP、CNN-GRU、CNN-GRU-SSA-XGBoot模型進行對比，仿真結果表明，本文所提方法具有更高的預測精度．

1CNN-GRU模型

1.1卷積神經網絡

卷積神經網絡（CNN）是一種經常用于圖像、文本和信號輸入的深度學習算法，由提取對象特征的堆疊層組成．CNN由卷積層、池化層和全連接層組成．卷積層是CNN中特征高效提取的關鍵，在本文中卷積層被主要應用于對光伏功率相關數據的特征提取．圖1為CNN的基本架構．

1.2GRU模型原理

門控循環單元（GRU）［11］是長短期記憶網絡（LSTM）的一種變體，在學術界得到廣泛應用．GRU采用復位門和更新門來克服長期依賴問題，并結合數據單元和隱藏層狀態來解決梯度消失的問題．相較于LSTM，GRU網絡僅含有兩個門結構，減少了訓練參數的數量．這使得GRU網絡更易于收斂，減輕了LSTM網絡的過度擬合問題，同時保持了LSTM網絡在預測任務中的卓越性能．圖2為GRU神經單元的結構．具體計算公式如下：

rt=σ（Wr×［ht-1，xt］），

zt=σ（Wz×［ht-1，xt］），

t=tanh（W×［rt⊙ht-1，xt］），

ht=（1-zt）⊙ht-1+zt⊙t.（1）

式中：zt表示更新門，主要用于遺忘和記憶;rt為復位門，用于確定是否將當前狀態與先前信息合并;t表示中間記憶狀態;Wz和Wr分別為更新門和復位門的連接權值;σ和tanh為激活功能．

1.3CNN-GRU混合神經網絡模型

本文提出的CNN-GRU混合結構如圖3所示．在提出的結構中，CNN被用于特征進行序列表示，然后使用多層GRU進行有效的序列學習．CNN層被用于從輸入的精細數據中提取空間特征，然后將其送入多層GRU．在本文中，使用兩個具有Relu激活函數和核大小為2的CNN層，第一層和第二層的濾波器分別為1×16和1×8．提取空間特征后，將其輸入到GRU層中．兩個GRU層用于模擬時間特征，最后通過全連接層輸出預測值．

在光伏功率預測中，通過CNN網絡提取空間特征，再通過GRU網絡提取時間特征，可以考慮到隱藏信息，獲得較好的預測結果．然而，單一預測模型仍存在有限的精度和固有缺陷．為了彌補這些缺陷，本研究引入了模型組合思想，以獲得具有良好預測能力的模型．經篩選，本文選擇了XGBoost模型，因為它具有以下優勢：1）使用GART作為基本分類器，更加靈活;2）通過增加正則項控制復雜性，防止過擬合;3）計算速度快，只依賴于輸入數據值，不涉及具體損失函數．然而，XGBoost模型存在參數難以手動調節和隨機性大的問題，所以引入麻雀優化算法（SSA）進行模型超參數尋優，但是基本麻雀搜索算法存在收斂速度慢、易陷入局部最優等問題，因此，本文在此基礎上向發現者引入自適應參數，并向加入者引入Levy飛行融入到算法之中，進而提高算法的收斂速度和尋優能力．

2改進麻雀搜索算法優化極限梯度提升模型

2.1XGBoost模型原理

XGBoost是梯度提升樹（Gradient Boosting）的一種增強和拓展［12］．它通過整合一些弱分類器來構建一個強分類器．該算法的理念就是通過構建多個模型，來擬合訓練數據中的目標變量．它會在每一次迭代中構建一個新的模型，以解決前一次迭代中模型存在的錯誤．XGBoost使用基于決策樹的弱學習器（weak learners），以利用前面學習器的輸出結果，來構建更強大的學習器．XGBoost通過運用提升算法來提升弱學習器的性能，并最終產生最優的預測結果．

在光伏發電功率預測的問題上，XGBoost使用的是基本回歸樹模型，其公式為

i=∑Kk=1fk（xi），fk∈F. （2）

式中：xi為第i個輸入特征向量;i為回歸樹的預測值;K為回歸樹的數量;fk為函數集合中的第一個函數;F為一組樹的函數空間;下標k代表這組回歸樹中的第k棵樹．

為了學習到各回歸樹的回歸函數，XGBoost回歸器中的目標函數包含一個正則化項，定義目標損失函數為

O=∑ni=1l（yi，i）+∑Kk=1Ω（fk）. （3）

式中：第一項為損失函數，表示預測值與實際值之間的誤差;第二項為正則化項，防止過擬合．

Ω（fk）=γT+12λ∑Tj=1ω2j.（4）

式中：T為回歸樹的葉數;ωj為葉子節點權重值第j個向量;γ和λ為懲罰系數，分別控制葉節點的數量和分數．

使用增量訓練最小化目標函數，在第t次迭代時增加ft，更新目標函數如下：

τ（t）≈∑ni=1l（yi，（t-1）+ft（xi））+Ω（ft）.（5）

在訓練過程中，XGBoost生成樹模型的分割準則使用貪心算法，使目標函數的增益為分割點的特征節點．

2.2麻雀優化算法基本原理

麻雀搜索算法（SSA）是模仿生物界中麻雀種群捕食和防范天敵的行為，其覓食過程即尋優過程［13］．

發現者的位置更新公式為

Xij（t+1）=Xij（t）·exp-iα·Tmax，R2lt;TS;

Xij（t）+Q·L，R2≥TS.（6）

式中：Tmax為最大迭代次數;Xij（t）為第i只麻雀在第t次迭代處的第j維中的位置，j=1，2，3，…，d;α為［0，1］的隨機變量;Q為正態分布的隨機變量;L為1×d的矩陣;R2∈［0，1］表示預警值；TS∈［0.5，1］表示安全值．

加入者位置更新公式為

Xij（t+1）=Q·expXworst（t）-Xij（t）i2，igt;N2;

Xpest（t+1）+|Xij（t）-Xpest（t+1）|·A+·L，i≤N2.（7）

式中：Xworst（t）為最劣位置;Xpest（t）為最佳位置;A為1×d的矩陣;N為種群數量．

預警者位置更新公式為

Xij（t+1）=Xbest（t）+b·|Xij（t）-Xbest（t）|，figt;fg;

Xbest（t）+M（Xij（t）-Xworst（t））|fi-fw|+e，fi=fg.（8）

式中：b為步長控制參數;M∈［-1，1］表示麻雀的飛行方向;fi，fw和fg分別代表整個種群中每個麻雀的適應度值、最差適應度值和最優適應度值;e為一個接近于零的常數．

2.3改進麻雀優化算法ISSA

1）向生產者引入自適應超參數

整個麻雀種群的覓食區域和方向主要取決于發現者，因此需要擴大發現者的探索范圍，以提高整個種群的覓食能力．所以向生產者引入自適應權值ε以提高發現者的搜索速度和全局搜索能力，公式為

ε=ε0×c31-tTmax.（9）

式中：ε0=1為初始權重;c設置為0.8;Tmax為最大迭代次數．

在加入自適應權重ε后，將發現者的公式更新為

Xij（t+1）=Xij（t）·exp-iε·α·Tmax，R2lt;TS;

Xij（t）+Q·L，R2≥TS.（10）

2）Levy飛行策略

Levy飛行策略［14］可以增加種群的多樣性，克服過早收斂的問題．Levy飛行機制如下：

圖4CNN-GRU-ISSA-XGBoost組合模型流程

Fig.4Flow chart of the combined model of CNN-GRU-ISSA-XGBoost

Levy=σ·NLF|MLF|1β，（11）

σ=Γ（1+β）·sinπ·β2βΓ1+β2·2β-121β.（12）

式中：NLF和MLF是服從高斯分布的隨機數;β的值取為1.5;Γ（x）=（x-1）！為伽瑪函數．

引入Levy飛行后加入者位置更新公式為

Xij（t+1）=LevyexpXworst（t）-Xij（t）i2，igt;N2;

Xpest（t+1）+Xpest（t+1）Levy，i≤N2.（13）

利用ISSA算法對XGBoost模型的超參數進行尋優，以提高XGBoost模型預測時的精準度與平穩性．因為此模型參數眾多，對電腦配置要求過高，因此本文選取迭代次數、樹的深度和學習率進行尋優．

3基于CNN-GRU-ISSA-XGBoost的光伏功率預測方法

3.1總體研究思路

為了提高光伏發電功率預測的精度，本文提出一種基于CNN-GRU-ISSA-XGBoost組合模型的光伏功率預測方法，該方法能夠有效地提升預測的準確性．預測模型的流程如圖4所示，具體步驟如下：

1）數據預處理．針對光伏功率及其他相關特征因素數據，采用3α法對所有數據進行異常值檢測，建立完整無異常的數據集用于預測模型．

2）特征選擇．對于異常值檢測后的數據集采用PCA對與光伏功率相關的各類特征因素進行篩選降維，綜合考慮相關系數和貢獻值選出相關性高的特征因素作為ISSA-XGBoost模型和CNN-GRU模型的輸入變量．

3）模型訓練．采用在發現者處引入自適應參數及在加入者處引入Levy飛行的改進麻雀搜索優化算法對XGBoost模型的關鍵參數進行優化，包括迭代次數、學習率和樹的最大深度等，最終得到全局最優解．

4）模型預測．將具有高相關性的特征輸入到ISSA-XGBoost預測模型和CNN-GRU模型中，得到它們各自的預測結果和預測誤差．然后，利用誤差倒數法對這兩個模型的預測結果進行加權組合，以獲得最終的預測結果．

5）性能評估．根據誤差分析對預測結果進行分析，并與其他預測方法進行比較．

3.2CNN-GRU-ISSA-XGBoost模型組合

光伏功率具有隨機性及波動性大的特點，單一預測模型往往難以準確分析歷史數據波動規律，從而導致預測精度不高．因此，本文采用倒數誤差法對模型進行權重賦值．根據該方法，通過主要評價指標絕對百分比誤差（MAPE）得到的誤差結果計算CNN-GRU和ISSA-XGBoost的權重．因此，在該組合模型中，誤差較小的預測模型被賦予較大的權重．因此，可以顯著降低組合預測模型的整體誤差．為了確定權重系數，誤差倒數法的公式如下：

PV=e1e1+e2CNN-GRU+e2e1+e2ISSA-XGBoost.（14）

式中：e1為CNN-GRU模型的預測誤差;e2為ISSA-XGBoost模型的預測誤差．

4實驗評估

本文使用2018年光伏電站人工智能數據處理分析大賽的原始數據集（數據集可向本文通信作者獲取），包括發電功率、光照強度、板溫、現場溫度、風速和風向等影響因子，選用每隔15 min進行采樣的9 000個連續數據．經過異常值檢測、歸一化以及PCA特征選取，最終選用光照強度、板溫和風速作為ISSA-XGBoost模型和CNN-GRU模型的輸入．在原始數據樣本中選取70％作為訓練集，30％為測試集．

4.1PCA特征選擇

主成分析法（PCA）是統計學中一種常用的多維數據降維的方法，它從多維特征中選取與主成分相關性較高的一組新特征，得出各特征間的相關系數［15-16］．在光伏發電方面，通過對原始數據進行PCA分析，可以去除與光伏發電功率相關性較低的無用特征，進一步提高預測精度．本文使用光照強度、板溫、現場溫度、風速和風向等多種特征來創建新的數據序列，并使用PCA對其進行分析．表1顯示了這些特征與光伏發電功率之間的相關系數．根據PCA分析結果，確定了各成分的特征值和貢獻率，如表2所示．

根據表1和表2的數據得出光照強度、板溫與光伏功率之間存在著最大的正相關性，與風速呈中等相關性，現場溫度與光伏功率之間的相關性較低，而風向與光伏功率之間則呈現出較低的負相關性．基于上述討論，本文選擇光照強度、板溫和風速作為預測模型的輸入變量，基本覆蓋了預測中所需的影響因素．

4.2誤差性能指標

本文選取均方根誤差（RMSE）和絕對百分比誤差（MAPE）來評估模型的預測性能．其公式如下：

σRMSE=∑Ni=1（i-yi）2N，（15）

σMAPE=1N∑Ni=1i-yiyi×100％.（16）

式中：i和yi分別為第i個光伏功率樣本的預測值和真實值;N為樣本個數．

4.3仿真實驗

將改進麻雀算法ISSA與麻雀算法SSA進行對比，迭代次數及適應度值變化如圖5所示．將CNN-GRU-ISSA-XGBoost組合模型與主流的機器學習SVM模型、RF模型以及主流的深度學習LSTM模型、BP模型進行對比，上述模型的光伏功率預測精度對比曲線如圖6所示．在此基礎上，增添一組消融實驗，將CNN-GRU-ISSA-XGBoost組合模型與CNN-GRU模型、XGBoost模型和CNN-GRU-SSA-XGBoost模型的光伏功率預測精度進行對比，消融實驗模型的光伏功率預測精度對比曲線如圖7所示．為了降低隨機性對預測性能的影響，每個模型在相同的實驗參數設置和數據集劃分條件下分別經過40次單獨運行，以取得各個誤差指標的平均值．各個模型的具體誤差分析RMSE、MAPE值如表3所示．

經過多次的實驗驗證，SSA和ISSA算法的最大迭代次數Tmax=1 000，種群數量N=30．由圖5兩種算法的迭代收斂曲線可知，ISSA表現出了比SSA更好的收斂精度和尋優效果．ISSA僅有3次左右陷入局部最優，而SSA則分別陷入了14次左右局部最優．SSA算法100次迭代左右達到最優解，而ISSA僅需20次迭代左右就可達到最優解，并且最優適應度值低于SSA算法．該結果表明對SSA算法的改進具有很好的效果．

由圖6各模型光伏功率預測精度對比曲線可以看出，CNN-GRU-ISSA-XGBoost組合模型相較于其他模型在光伏功率預測上有著更高的預測精度．根據局部放大圖6的結果可知，BP和LSTM的預測結果都存在顯著的偏差，無法準確反映光伏功率的變化趨勢，而SVM、RF和CNN-GRU-ISSA-XGBoost模型誤差波動較小，跟蹤性能較好，能很好地反映出光伏發電功率的變化趨勢．根據表3定量分析預測結果，可以看出本文所提模型相較于SVM、RF模型的MAPE分別降低約55.7％、47.3％，RMSE分別降低約27％、25.7％．因此，本文所提模型優于所有對比方法，有著更高的預測精度．

根據圖7消融實驗模型的光伏功率預測精度對比曲線和表3的誤差統計數據，可以看出通過組合模型和ISSA算法進行超參數尋優后的光伏功率預測模型相較于傳統的XGBoost模型和CNN-GRU模型在光伏功率預測上有著更高的預測精度．從圖7局部放大圖上可以看出，在一些變化較劇烈的時刻，CNN-GRU-ISSA-XGBoost模型相較于CNN-GRU-SSA-XGBoost模型的預測曲線與實際曲線變化趨勢具有顯著的一致性．說明改進后的麻雀搜索算法提高了參數尋優能力和預測精度．同時，CNN-GRU-ISSA-XGBoost模型的MAPE、RMSE分別為2.07％和0.201 2，比其他模型更小，因此，結合上述實驗結果，可以得出CNN-GRU-ISSA-XGBoost組合模型具有更高的預測精度．

5結論

為了提高光伏功率預測的準確性，本研究提出了一種基于CNN-GRU-ISSA-XGBoost的短期光伏功率預測模型，并得到以下結論：

1）采用主成分分析（PCA）對與光伏功率相關的氣象特征進行篩選和降維，綜合考慮相關系數和貢獻值，選取與光伏功率具有高相關性的特征因素作為輸入變量．這種降維方法有效地減少了輸入的維度，從而縮短了計算時間．

2）針對XGBoost模型手動配置參數困難、隨機性大導致預測精度較低的問題，本研究引入了改進的麻雀搜索算法（ISSA）來尋優模型的超參數．實驗結果顯示，相對于傳統的麻雀搜索算法（SSA），ISSA算法具有更強的尋優能力，能夠為XGBoost模型找到更優的參數組合，從而有效地提升了模型的預測性能．

3）基于CNN-GRU-ISSA-XGBoost組合模型能夠綜合各個模型的優點，有效地減小了樣本隨機性對單一模型的影響，從而提高了光伏功率預測的準確性和穩定性．通過與多種單一模型及組合模型進行對比實驗，研究結果表明，本研究提出的方法具有較高的預測精度．

綜上所述，本研究提出的基于CNN-GRU-ISSA-XGBoost的光伏功率預測模型在提高預測準確性方面取得良好的效果，為光伏發電系統的運行和管理提供了一種可行的預測方法．

參考文獻

References

［1］王珊珊，吳霓，何嘉文，等.基于改進Stacking與誤差修正的短期太陽輻照度預測［J］.南京信息工程大學學報（自然科學版），2023，15（6）：684-691

WANG Shanshan，WU Ni，HE Jiawen，et al.Short-term solar irradiance prediction based on improved Stacking and error correction［J］.Journal of Nanjing University of Information Science ＆ Technology （Natural Science Edition），2023，15（6）：684-691

［2］柴閔康，夏飛，張浩，等.基于云圖特征自識別的光伏超短期預測模型［J］.電網技術，2021，45（3）：1023-1035

CHAI Minkang，XIA Fei，ZHANG Hao，et al.Ultra-short-term prediction of self-identifying photovoltaic based on sky cloud chart［J］.Power System Technology，2021，45（3）：1023-1035

［3］胡乙丹，姜吉祥，董霞.基于結合聚類與SVM參數尋優的短期電力負荷預測方法［J］.電力信息與通信技術，2022，20（5）：54-60

HU Yidan，JIANG Jixiang，DONG Xia.A short-term power load forecasting method based on combining clustering and SVM parameter optimization［J］.Electric Power Information and Communication Technology，2022，20（5）：54-60

［4］Ding S，Li R J，Tao Z.A novel adaptive discrete grey model with time-varying parameters for long-term photovoltaic power generation forecasting［J］.Energy Conversion and Management，2021，227：113644

［5］韓祥民，劉曉波，劉敏，等.基于改進EEMD與GA-BP的諧振接地故障選線方法［J］.智慧電力，2021，49（12）：80-87

HAN Xiangmin，LIU Xiaobo，LIU Min，et al.Resonant grounding fault line selection method based on improved EEMD and GA-BP model［J］.Smart Power，2021，49（12）：80-87

［6］孫東磊，王艷，于一瀟，等.基于BP神經網絡的短期光伏集群功率區間預測［J］.山東大學學報（工學版），2020，50（5）：70-76

SUN Donglei，WANG Yan，YU Yixiao，et al.Interval prediction of short-term regional photovoltaic power based on BP neural network［J］.Journal of Shandong University （Engineering Science），2020，50（5）：70-76

［7］葛浩然，夏宇，鄒文進，等.基于RF-XGBoost的光伏發電功率預測［J］.電氣自動化，2022，44（5）：12-15

GE Haoran，XIA Yu，ZOU Wenjin，et al.Prediction of photovoltaic power generation based on RF-XGBoost［J］.Electrical Automation，2022，44（5）：12-15

［8］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，OR，USA.IEEE，2018：1-5

［9］He B，Ma R Z，Zhang W W，et al.An improved generating energy prediction method based on Bi-LSTM and attention mechanism［J］.Electronics，2022，11（12）：1885

［10］湯德清，朱武，侯林超.基于CNN-LSTM-XGBoost模型的超短期光伏功率預測［J］.電源技術，2022，46（9）：1048-1052

TANG Deqing，ZHU Wu，HOU Linchao.Ultra-short-term photovoltaic power prediction based on CNN-LSTM-XGBoost model［J］.Chinese Journal of Power Sources，2022，46（9）：1048-1052

［11］Khortsriwong N，Boonraksa P，Boonraksa T，et al.Performance of deep learning techniques for forecasting PV power generation：a case study on a 1.5 MWp floating PV power plant［J］.Energies，2023，16（5）：2119

［12］Qian N，Wang X S，Fu Y C，et al.Predicting heat transfer of oscillating heat pipes for machining processes based on extreme gradient boosting algorithm［J］.Applied Thermal Engineering，2020，164：114521

［13］Xue J K，Shen B.A novel swarm intelligence optimization approach：sparrow search algorithm［J］.Systems Science ＆ Control Engineering，2020，8（1）：22-34

［14］Jensi R，Jiji G W.An enhanced particle swarm optimization with levy flight for global optimization［J］.Applied Soft Computing，2016，43：248-261

［15］李楊，藍茂蔚，趙國欽，等.基于PCA-PSO-LSSVM的電站鍋爐效率預測模型研究［J］.熱力發電，2021，50（12）：43-50

LI Yang，LAN Maowei，ZHAO Guoqin，et al.Study on prediction model of utility boiler efficiency based on PCA-PSO-LSSVM［J］.Thermal Power Generation，2021，50（12）：43-50

［16］鄔程歡，賀民，龔明波，等.基于極限區間與改進PCA-SOM的電氣運行參數對專變健康影響的量化評價方法［J］.電力系統保護與控制，2021，49（17）：101-108

WU Chenghuan，HE Min，GONG Mingbo，et al.Quantitative evaluation based on limit interval and improved PCA-SOM of electrical operating parameter health status of a special transformer［J］.Power System Protection and Control，2021，49（17）：101-108

Short term photovoltaic power prediction based on CNN-GRU-ISSA-XGBoost

YUE Youjun1WU Mingyuan1WANG Hongjun1ZHAO Hui1

1Tianjin Key Laboratory of New Energy Power Conversion，Transmission and Intelligent Control，Tianjin University of Technology，Tianjin 300384，China

AbstractThe high randomness and volatility of photovoltaic （PV） power makes it difficult for single prediction models to accurately analyze the fluctuation patterns in historical data，resulting in low prediction accuracy.To address this issue，a combined model for short-term PV power prediction was proposed，which incorporated Convolutional Neural Network，Gated Recurrent Unit （CNN-GRU） and an Improved Sparrow Search Algorithm （ISSA） for optimizing the eXtreme Gradient Boosting （XGBoost） model.First，the historical data were normalized after outlier removal，and feature selection was carried out via Principal Component Analysis （PCA） so as to better identify the key factors affecting photovoltaic power.Then，the CNN and GRU networks were used to extract the spatial and temporal features of the data，respectively.To address the difficulty in manually configuring parameters and high randomness of the XGBoost model，ISSA was used to optimize the hyperparameters of the model.Finally，the reciprocal error method was used to reduce the error of the results predicted by the two methods （CNN-GRU and ISSA-XGBoost） while the weights were updated to obtain new predicted values to complete the prediction of photovoltaic power.The experimental results show that the proposed CNN-GRU-ISSA-XGBoost model has strong adaptability and high accuracy.

Key wordsphotovoltaic power prediction;improved sparrow search algorithm （ISSA）;convolutional neural network （CNN）;gated recurrent unit （GRU）;XGBoost model