论文标题：

期刊：

作者：Chunsheng Wang, Mutian Li, Yuan Cao, Tianhao Lu

发表时间：26 Oct 2023

DOI：

微信链接：

文章简介

1. 提出了梯度上升树突网络（GBDD）模型以降低光伏预测误差

2. 将GBDD与其他预测模型相结合以提升预测效果

3. 通过多组基准算法对比验证所提预测算法的有效性

研究背景及意义

近年来，光伏（PV）发电是化石燃料的有竞争力的替代品。光伏发电的波动性给电网稳定运行造成不利影响。因此迫切需要准确的光伏发电预测，以提高太阳能资源的利用率，改善电力系统的优化调度。

为了解决上述问题，多种模型的混合预测以及对PV功率进行频率分解预测是当前两种主流的预测方法。然而前者显著增加计算成本，后者会导致模型复杂性及计算成本显著增加，且依赖于信号分解参数设置。与前两类混合模型相比，将多个弱预测器聚合在一起的组合模型更为实用。Bagging和stacking策略的组合模型通过不同算法的互补性获得更准确的预测结果。但不同算法的子模型的预测结果不能实现完全互补，可能导致最终预测结果劣于子模型的预测结果。此外在组合模型中，预测性能较差的子模型可能不参与最终的预测结果，这实际上造成了计算资源的浪费。

总之，现有的预测算法由于其复杂的结构，对设置超参数提出了挑战，从而限制了预测性能。为了实现更准确的光伏发电功率预测，本文基于梯度提升策略的计算逻辑和分布式光伏发电的特点，提出了一种新结构的梯度上升树突网络(GBDD)预测模型。

主要研究内容

1、算法原理

树突网络（DD）是一种具有新结构的基本机器学习算法。与传统神经网络多层感知器（MLP）不同，DD通过Hadamard积实现多个逻辑运算，模拟生物神经系统中树突的信息处理。MLP和DD的结构如图1所示，其中，MLP和DD共享类似的全连接结构。然而，DD采用矩阵运算函数作为其神经元的激活函数，而传统的MLP和其他神经网络使用非线性映射函数。

图1（a）MLP和（B）DD的结构比较。

针对基学习器输入参数的不同设置，本文提出了两种不同的迭代模型训练策略，即相同输入变量梯度上升策略（策略1）和不同输入变量梯度上升策略（策略2）。两种策略的GBDD结构如图2所示。

图2 GBDD结构示意图。

所提出的新策略使用元启发式算法来优化预测模型的超参数。在执行该策略的过程中不需要对原始预测模型的参数或结构进行调整。而且补充模型被添加到预测模型的时间可以由用户控制，其整体结构如下图所示：

图3 基于GBDD的改进其他预测方法的策略结构图。

2、实验数据

在数据集中，采用扩散水平辐射（DHR），全球水平辐射（GHR），辐射扩散倾斜（RDT），辐射全球倾斜（RGT），日降雨量（DR），相对湿度（RH），温度摄氏度（TC），风向（WD）和风速（WS）数据进行预测。采用最大信息系数(MIC)、Pearson相关系数(PCC)和灰关联分析(GRA)三种方法对上述气象因子进行分析。利用这三种方法分析光伏发电与气象因子的相关性，所得结果如图4所示。

图4 各输入变量与光伏功率的相关性。

根据三种相关性分析方法的结果，将气象因子从最高到最低的相关性排序，并将它们依次组合作为预测模型的输入。采用平均绝对误差（MAE）作为预测性能的评价指标。实验结果如下图所示。

图5 不同输入变量的预测MAE。

实验结果表明，当以MIC排序的前5个气象因子（DHR、GHR、RDT、RGT和WS）为输入变量时，预测模型的预测误差最小。在GBDD中，本文引入了两种不同的输入策略来训练后续的迭代模型，即上述策略1和2。

3、算例分析

1）GBDD效果对比验证

将所提出的GBDD模型与以下两类8个基准模型进行了比较。1）单个型号：SVR、LSTM、BP；2）组合模型：XGBoost、PSO-LSTM-SVR-BP、梯度上升支持向量回归（GBSVR）、梯度上升长短期记忆（GBLSTM）、梯度上升反向传播（GBBP）。

进行消融实验说明所提出的模型的有效性。GBDD的预测结果如图6所示。两种策略的模型的总精度如图7所示，其中GBDD 1表示模型执行了一次迭代，GBDD 2表示模型执行了两次迭代。

图6 GBDD预测结果。

图7 两种策略的总准确率比较。

可以看出，策略2在预测效果提升明显。作为消融实验，与DD相比，GBDD（策略2）的MAE、平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了38.85%、32.63%和30.89%。结果表明所提出的GBDD模型可以有效地提高预测性能。此外，还表明当在预测模型中仅选择最重要的相关输入变量时，预测性能的改善是有限的。对比GBDD 1和GBDD 2可以发现，GBDD经历了一轮梯度上升迭代后的预测性能的显著改善，而第二次迭代后改善较为有限。原因是GBDD是学习能力强，在第一次迭代之后残差大幅减少。

2）基于GBDD改进的其他预测方法验证

现有方法的改进需要收集预测方法的预测结果和真实的PV输出数据。在这部分实验中，BP，SVR和LSTM对测试集前5天的预测数据和训练集的预测数据作为参考。通过分析模型预测产生的误差与气象因素之间的关系，训练GBDD模型，以帮助预测测试集的第二个5天的光伏功率。预测评价结果见图8。

图8 GBDD改进后三种不同模型的光伏发电预测结果。(a)LSTM;（B）SVR;（c）BP。

从实验结果可以看出，可以通过GBDD改进现有算法的预测性能。尤其对于LSTM网络，在使用GBDD 2优化后，其MAE从0.1058降至0.0855 kW。对于BP和SVR网络，使用GBDD网络进行优化可将误差降低至少3%。

研究结论

实验结果表明，采用不同输入变量的梯度上升策略可以充分利用多变量天气因子数据预测光伏输出功率。与初始模型DD相比，本文所提GBDD模型的MAE、MAPE和RMSE分别降低了38.85%、32.63%和30.89%。与其他基准模型相比，该模型也可以实现更好的预测性能。与其他基于GBM学习器的AI算法相比，DD由于其良好的拟合和泛化性能，是一种更适合作为基学习器的AI算法。

此外，基于所提GBDD模型，提出了一种改进其他预测模型预测性能的策略。与通过调整模型参数和再训练来提高模型预测精度的方案不同，该方法不需要对原预测模型进行任何调整，而是训练一个新的GBDD模型来补偿原预测模型预测时产生的残差。通过实验验证了该方法的可行性。

原文信息

Gradient boosting dendritic network for ultra-short-term PV power prediction

Chunsheng Wang, Mutian Li, Yuan Cao*, Tianhao Lu

Author information：

School of Automation, Central South University, Changsha 410083, China

Abstract：

To achieve effective intraday dispatch of photovoltaic (PV) power generation systems, a reliable ultra-short-term power generation forecasting model is required. Based on a gradient boosting strategy and a dendritic network, this paper proposes a novel ensemble prediction model, named gradient boosting dendritic network (GBDD) model which can reduce the forecast error by learning the relationship between forecast residuals and meteorological factors during the training of sub-models by means of a greedy function approximation. Unlike other machine learning models, the GBDD proposed is able to make fuller use of all meteorological factor data and has a good model interpretation. In addition, based on the structure of GBDD, this paper proposes a strategy that can improve the prediction performance of other types of prediction models. The GBDD is trained by analyzing the relationship between prediction errors and meteorological factors for compensating the prediction results of other prediction models. The experimental results show that the GBDD proposed has the benefit of achieving a higher PV power prediction accuracy for PV power generation and can be used to improve the prediction performance of other prediction models.

Keywords：

photovoltaic (PV) power prediction, dendrite network, gradient boosting strategy

Cite this article

Chunsheng Wang, Mutian Li, Yuan Cao, Tianhao Lu. Gradient boosting dendritic network for ultra-short-term PV power prediction. Front. Energy,

作者简介

曹原，中南大学特聘副教授，主要研究方向包括电池储能系统，电池管理设计，电力电子变换器，能源转换及新型电力系统，无线充电系统，嵌入式系统，电动汽车及其电池系统设计，以及人工智能技术在电力、储能、电子系统中的应用。

欢迎了解期刊更多信息

主编团队

期刊特点

1. 国际化投审稿平台ScholarOne方便快捷。

2. 严格的同行评议(Peer Review)。

3. 免费语言润色，有力保障出版质量。

4. 不收取作者任何费用。

5. 不限文章长度。

6. 审稿周期：第一轮平均30天，投稿到录用平均60天

7. 在线优先出版(Online First)。

8. 通过Springer Link平台面向全球推广。

在线浏览

（国内免费开放）

在线投稿

联系我们

FIE@sjtu.edu.cn, (86) 21-62932006

qiaoxy@hep.com.cn, (86) 10-58556482

小提示：Frontiers in Energy为国产英文刊，不属于瑞士Frontiers系列。瑞士Frontiers系列相关期刊为Frontiers in Energy Research。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础app、明升m88app、工程技术和人文社会app四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

明升中国学术前沿期刊网