针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regr...针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。展开更多
文摘针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。
