利用机器学习降低光伏电站发电量预测不准确的风险

光伏（PV）电站发电量预测不准确的问题会带来严重的运营、技术和财务风险，对电站所有者和电网调度运营人员均产生严重影响。在突发事件发生时，需要准确的预测结果以优化规划旋转备用并管理惯性和频率响应。在本项研究中，利用皮尔逊系数分析了多种气象参数对波兰光伏发电量的影响。此外，开发了采用 Lasso Regression、K–Nearest Neighbours Regression、Support Vector Regression、AdaBoosted Regression Tree、Gradient Boosted Regression Tree、Random Forest Regression 和 Artificial Neural Network 的七种机器学习模型，用于预测波兰一座 0.7 MW 太阳能光伏电站的发电量。利用决定系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE）对各模型进行了评估。结果表明，水平面总辐射量和水分饱和亏缺与光伏系统的发电量之间存在较强的正比关系。所提出的所有机器学习模型在预测所分析光伏电站的发电量方面均表现良好。Random Forest Regression 是最可靠且最准确的模型，其获得了最高的 R2（0.94）以及最低的 MAE（15.12 kWh）和 RMSE（34.59 kWh）。