基于贪婪补偿代理与简化深度Q网络的光伏功率日前预测方法

《Renewable Energy》：Greedy compensatory agent based day-ahead photovoltaic power forecasting with a simplified Deep Q-Network

本文提出了一种结合多层感知机（MLP）与简化深度Q网络（SDQN）的贪婪补偿代理（GcaPF）光伏功率预测方法。该方法通过MLP提供基础预测，利用SDQN模型动态优化补偿值，显著提升了预测精度（平均MSE降低达24.08%），有效解决了光伏功率因天气因素导致的间歇性和波动性难题，为电网稳定运行提供了可靠技术支撑。

　　

亮点

本研究提出了一种创新的光伏功率预测补偿机制，通过简化深度Q网络（SDQN）对基础模型的预测误差进行动态校正，显著提升了预测精度与鲁棒性。

框架与流程

GcaPF方法首先通过多层感知机（MLP）生成基础输出，随后利用SDQN计算补偿值。补偿值与基础输出相加得到调整后的光伏辐照比（PI ratio），最终乘以预测辐照度得到功率预测结果。该框架巧妙地将静态预测与动态补偿相结合，适应了光伏发电环境的实时变化特性。

电站信息

实验数据来源于两个地理位置和规模迥异的光伏电站。电站1位于中国中部，为集中式电站（装机容量50MW）；电站2位于南部，属于小型分布式电站。数据覆盖2023年1月至2024年1月，为模型验证提供了多样化的场景。

性能分析

与MLP、XGBoost、支持向量机（SVR）、长短期记忆网络（LSTM）、Transformer等模型对比表明，GcaPF在不同时间步长（8/16）下均保持最优性能。评估指标包括均方误差（MSE）、平均绝对误差（MAE）、准确率（ACC）和决定系数（R²）。通过参数优化，SDQN结构在简化传统深度Q网络（DQN）的基础上，进一步降低MSE达5%。

结论

本研究提出的补偿机制通过强化学习实现了对基础模型预测误差的实时修正，为光伏功率预测提供了兼具准确性与环境适应性的解决方案。该方法在提升电网对可再生能源消纳能力方面具有重要应用价值。