融合PCC-LSTM-XGBoost的中长期光伏功率预测模型

密伟; 蒋旭; 晁梓博; 潘风文; 雷宇

doi:doi:10.19912/j.0254-0096.tynxb.2024-1883

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

融合PCC-LSTM-XGBoost的中长期光伏功率预测模型

更新时间：2026-03-06

- 融合PCC-LSTM-XGBoost的中长期光伏功率预测模型
- Vol. 47, Issue 2, Pages: 155-164(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1883
  CLC： TM615
- Online First：05 March 2026，
  
  Published：05 March 2026
- 稿件说明：
移动端阅览
密伟, 蒋旭, 晁梓博, et al. 融合PCC-LSTM-XGBoost的中长期光伏功率预测模型[J]. 2026, 47(2): 155-164.
DOI：

密伟, 蒋旭, 晁梓博, et al. 融合PCC-LSTM-XGBoost的中长期光伏功率预测模型[J]. 2026, 47(2): 155-164. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1883.

摘要

针对传统光伏发电功率预测模型在预测精度和泛化能力上的不足

该文设计并实现一种耦合PCC、LSTM与XGBoost算法的预测模型。首先

利用皮尔逊相关系数（PCC）对影响太阳电池发电功率的多维度特征进行筛选

构建优化的输入特征集;其次

通过长短期记忆网络（LSTM）建模时间序列数据中的长期依赖关系

获得初步的功率预测;同时

引入极端梯度提升树（XGBoost）算法对光伏发电功率的特征进行非线性建模和预测。最后

通过LSTM和XGBoost的预测结果进行策略融合得到预测结果

以提高预测精度和泛化能力。实验结果表明

该文提出的融合模型在中长期光伏功率预测中具有更高的精度和稳定性

模型的预测效果显著优于传统方法。由此可见

该文提出的PCC-LSTM-XGBoost模型为光伏发电功率的精确预测提供了新的技术途径

特别适用于不同的气候条件场景下的光伏电站功率预测。

Abstract

To address the limitations of traditional photovoltaic （PV） power prediction models in terms of forecasting accuracy and generalization capability

this paper designs and implements a prediction model that couples PCC

LSTM and XGBoost algorithms. Firstly

PCC is utilized to filter multi-dimensional features that influence PV power generation

thus constructing an optimized input feature set. Secondly

LSTM network is employed to model the long-term dependencies within the time series data

providing an initial power prediction. Concurrently

the XGBoost algorithm is introduced to model and predict the non-linear features of PV power generation. Finally

this paper lies in enhancing prediction accuracy and generalization capabilities by integrating the prediction results from LSTM and XGBoost models. Experimental results demonstrate that the proposed fusion model exhibits higher accuracy and stability in mid-and long-term PV power rolling forecasts

significantly outperforming traditional methods. Therefore

the proposed PCC-LSTM-XGBoost model offers a novel technical approach for accurate PV power prediction

making it particularly suitable for forecasting PV station power under various climatic conditions.

关键词

Keywords

references

DHAKED D K, DADHICH S, BIRLA D.Power output forecasting of solar photovoltaic plant using LSTM[J]. Green energy and intelligent transportation, 2023, 2(5): 100113.

NI Q, ZHUANG S X, SHENG H M, et al.An optimized prediction intervals approach for short term PV power forecasting[J]. Energies, 2017, 10(10): 1669.

陈庆明, 廖鸿飞, 孙颖楷, 等. 基于GWO-GRU的光伏发电功率预测[J]. 太阳能学报, 2024, 45(7): 438-444.

ALARAJ M, ALSAIDAN I, KUMAR A, et al.Advanced intelligent approach for solar PV power forecasting using meteorological parameters for Qassim region, Saudi Arabia[J]. Sustainability, 2023, 15(12): 1-16.

TAVARES I, MANFREDINI R, ALMEIDA J, et al.Comparison of PV power generation forecasting in a residential building using ANN and DNN[J]. IFAC-PapersOnLine, 2022, 55(9): 291-296.

张成, 白建波, 兰康, 等. 基于数据挖掘和遗传小波神经网络的光伏电站发电量预测[J]. 太阳能学报, 2021, 42(3): 375-382.

王俊杰, 毕利, 张凯, 等. 基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏发电量预测[J]. 太阳能学报, 2023, 44(7): 168-174.

刘国海, 孙文卿, 吴振飞, 等. 基于Attention-GRU的短期光伏发电功率预测[J]. 太阳能学报, 2022, 43(2): 226-232.

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.

吴珺玥, 赵二刚, 郭增良, 等. 基于Spearman系数和TCN的光伏出力超短期多步预测[J]. 太阳能学报, 2023, 44(9): 180-186.

李超, 涂腾, 彭勋辉. 融合DT-BO-GRU 的中长期光伏功率滚动预测模型[J]. 太阳能学报, 2025, 46(5): 275-284.

陈元峰, 马溪原, 程凯, 等. 基于气象特征量选取与SVM模型参数优化的新能源超短期功率预测[J]. 太阳能学报, 2023, 44(12): 568-576.

高寒旭, 袁祖晴, 张淑婷, 等. 基于LSTM模型的短期光伏功率预测[J]. 太阳能学报, 2024, 45(6): 376-381.

王永生, 李海龙, 关世杰, 等. 基于变换域分析和XGBoost算法的超短期风电功率预测模型[J]. 高电压技术, 2024, 50(9): 3860-3870.

高驰涵, 张梅, 陈哲, 等. 基于随机森林与长短期记忆网络结合的蓝莓黑腹果蝇发生预测[J]. 山东农业科学, 2024, 56(8): 158-164.

孟亦康, 许野, 王鑫鹏, 等. 基于相似日选取和PCA-LSTM的光伏出力组合预测模型研究[J]. 太阳能学报, 2024, 45(7): 453-461.

王瑶, 吴云来, 俞铁铭, 等. 基于特征选择和XGBoost算法考虑极端天文、气象事件影响的光伏性能预测方法[J]. 太阳能学报, 2024, 45(5): 547-555.

李特, 王尧, 武文起, 等. 机器学习在光伏发电功率预测中的应用分析[J]. 河北电力技术, 2024, 43(3): 55-61.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

计及NWP相似日的MHA-LSTM光伏发电超短期功率预测

基于SWAN模型的波浪能发电站选址研究

基于改进相空间重构和多通道卷积-FPN网络的光伏功率短期预测

一种高分辨率的光伏短期功率预测模型

基于气象分类的超短时光伏发电预测模型

Related Author

叶建盈

刘昭启

李洲辰

林波

刘磊

陈颖婷

孙单勋

杨智聪

Related Institution

College of Electrical and Power Engineering, Taiyuan University of Technology

Shanxi Gemeng Sino-US Clean Energy R & D Center Co., Ltd.

Institute of Photo-Electronics Thin Film Devices and Technology of College of Electronic Information and Optical Engineering of Nankai University

Big Data Management Center of Nankai University

School of Electrical Engineering, Xi’an University of Technology

AI问答

⁰