CN114281846A - 一种基于机器学习的新能源发电预测方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的新能源发电预测方法，所述预测方法具体为获取若干个新能源发电站的历史发电数据和历史天气数据，对获取的数据进行预处理并构建历史数据库，建立新能源发电预测模型，对历史发电数据以及历史天气数据进行特征提取并筛选，根据筛选后特征数据构建预测数据集，所述预测数据集包括训练集、验证集和测试集，新能源发电预测模型根据训练集进行模型训练，并通过测试集获取新能源发电预测模型的预测误差，在预测误差不超过预设阈值后，采集进行发电预测的新能源发电站对应的天气数据，并通过新能源发电预测模型根据天气数据输出发电预测结果。本发明将天气数据作为特征进行发电预测，能够有效提高发电预测的准确性。

Description

一种基于机器学习的新能源发电预测方法

技术领域

本发明涉及新能源发电预测技术领域，尤其是指一种基于机器学习的新能源发电预测方法。

背景技术

电网系统作为必要的基础设施之一，近些年来也在尝试利用机器学习与数据挖掘技术实现智能化转型，从而实现电网系统效率的提升。如在故障检测方面，机器学习技术能够及时检测出存在故障的元件，能够保证元件故障发现和修复的效率，以避免元件故障造成用户体验的下降。而在气候问题日益严峻的当下，新能源处于飞速发展阶段，而新能源发电项目作为新能源的重要发展方向，正逐渐加入电网系统并成为其重要组成部分。然而，新能源发电不稳定的特性导致相关电站的产出难以有效地被电网系统调度，这就使得新能源发电站产出的利用率很低。而新能源发电的不稳定性来源于相关天气的不确定性，例如风力发电依赖于发电单元所在位置的风力情况，而这种天气的不确定性是固有的，且无法改变。

现在，大多通过预测未来相关电站的发电量，来使电网能够主动调度新能源发电站的产出，以解决新能源发电站产出的利用率很低的问题。而机器学习是现在预测发电量的常用方法之一，目前已经有方法将机器学习技术引入到相关问题里，例如线性回归、多层感知机等，但现有技术中对于机器学习的应用并未考虑到天气数据的不确定性，未能从新能源发电的不稳定性来源进行考虑，预测精度也就并不高。

发明内容

本发明的目的是克服现有技术中的缺点，提供一种基于机器学习的新能源发电预测方法。

本发明的目的是通过下述技术方案予以实现：

一种基于机器学习的新能源发电预测方法，包括以下步骤：

步骤一，获取若干个新能源发电站的历史发电数据以及对应的历史天气数据，对历史发电数据和历史天气数据进行预处理，并根据预处理后的历史发电数据以及历史天气数据构建历史数据库；

步骤二，建立新能源发电预测模型，提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型，通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取，并对提取的特征数据进行筛选，根据筛选后特征数据构建预测数据集，所述预测数据集包括训练集、验证集和测试集；

步骤三，新能源发电预测模型根据训练集进行模型训练，并通过测试集获取新能源发电预测模型的预测误差，若新能源发电预测模型的预测误差超过预设阈值，则通过验证集对新能源发电预测模型的模型参数进行调节，直至新能源发电预测模型的预测误差不超过预设阈值；若新能源发电预测模型的预测误差不超过预设阈值，则新能源发电预测模型训练完成；

步骤四，采集进行发电预测的新能源发电站对应的天气数据，将采集到的天气数据输入训练完成的新能源发电预测模型，新能源发电预测模型输出发电预测结果。

进一步的，步骤二中通过在筛选特征数据前，还对特征数据进行显式表达，将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换，获取显式表达的特征数据，并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。

进一步的，所述发电数据包括新能源发电站的发电功率和发电对应的时间信息，所述天气数据包括天气预报数据。

进一步的，步骤三中新能源发电预测模型根据训练集进行模型训练前，还对训练集内数据进行平滑处理。

进一步的，步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时，还采集每个新能源发电站的发电站信息，根据每个新能源发电站的发电站信息对其扩容状况进行判断，对存在扩容状况的新能源发电站的历史发电数据进行标记，并在构建预测数据集后，从训练集、验证集合测试集内分别提取出存在标记的功率数据，并分别对提取出的功率数据进行功率标准化处理。

进一步的，对训练集内提取出功率数据进行的功率标准化表达式为：

对验证集或测试集内提取出功率数据进行的功率标准化表达式为：

p＝p_u*C_i；

其中：p_u为标准化功率，p为功率数据，C_t为训练集中功率数据对应新能源发电站的额定功率，C_i为训练集中功率数据对应新能源发电站的额定功率。

进一步的，步骤一中所述预处理包括数据清洗以及数据填充，所述数据清洗通过将所有发电数据以及天气数据进行离群判断，筛选出异常值数据，对异常值数据进行数据填充处理。

进一步的，对异常值数据进行数据填充处理的处理公式为：

其中：x为进行数据填充处理的异常值数据，i％a为数据的不合理范围下限，j％a为数据的不合理范围上线，a为预设常数。

本发明的有益效果是：

能够考虑到天气的多变性，将天气预报信息作为特征，对新能源的发电进行预测，能够有效提高新能源发电的预测准确性。且通过对数据进行平滑处理，对扩容电站的功率数据进行功率标准化处理等优化策略提升新能源发电预测模型的模型性能，能够有效提高新能源发电预测模型的学习效果，从而实现提高新能源发电预测的准确性。且对模型训练所用的特征数据采取显式表达，在进行模型训练时，模型能够更容易地捕获复杂的信息，进一步提高模型性能。因为显式表达特征数据后维度会变大，会造成模型训练的负担增加，因此还对显式表达后的特征数据进行进一步的筛选，有效降低模型训练的负担，从而提高模型训练的效率。

附图说明

图1是本发明的一种流程示意图。

具体实施方式

下面结合附图和实施例对本发明进一步描述。

实施例：

一种基于机器学习的新能源发电预测方法，如图1所示，包括以下步骤：

步骤一，获取若干个新能源发电站的历史发电数据以及对应的历史天气数据，对历史发电数据和历史天气数据进行预处理，并根据预处理后的历史发电数据以及历史天气数据构建历史数据库；

步骤二，建立新能源发电预测模型，提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型，通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取，并对提取的特征数据进行筛选，根据筛选后特征数据构建预测数据集，所述预测数据集包括训练集、验证集和测试集；

步骤三，新能源发电预测模型根据训练集进行模型训练，并通过测试集获取新能源发电预测模型的预测误差，若新能源发电预测模型的预测误差超过预设阈值，则通过验证集对新能源发电预测模型的模型参数进行调节，直至新能源发电预测模型的预测误差不超过预设阈值；若新能源发电预测模型的预测误差不超过预设阈值，则新能源发电预测模型训练完成；

步骤四，采集进行发电预测的新能源发电站对应的天气数据，将采集到的天气数据输入训练完成的新能源发电预测模型，新能源发电预测模型输出发电预测结果。

所述新能源发电预测模型以LightGBM作为基础机器学习模型。

步骤二中通过在筛选特征数据前，还对特征数据进行显式表达，将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换，获取显式表达的特征数据，并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。新能源发电预测模型的损失函数为均方误差损失函数。

显式表达后的特征数据中的信息能够更加容易被新能源发电预测模型所获取，且新能源发电预测模型也能够从显式表达后的特征数据中获取更加复杂的信息，从而有效提高模型性能。在进行倒数特征和log尺度特征转换时，需要先将特征数据变换至大于0的区间内，通常通过加上常数实现区间变换。而交互特征的转换则通过将所有的特征之间相互做乘法进行。

但是显式表达后，由于原始特征维度不高，在变换后特征维度会变大，会对模型训练造成负担，因此根据新能源发电预测模型的损失函数对特征的权重进行计算判断，并根据权重大小选取出重要的特征予以保留，从而降低模型训练的负担。

所述发电数据包括新能源发电站的发电功率和发电对应的时间信息，所述天气数据包括天气预报数据。天气预报数据为采集到发电功率的时间对应的过去一段时间内每天的天气预报信息。由于发电量具有明显的周期性，例如风电夏季的发电量高于冬季、光伏白天的发电量高于晚上，因此将时间信息也作为发电数据，后续将时间信息作为进行预测所需的特征进行提取。

步骤三中新能源发电预测模型根据训练集进行模型训练前，还对训练集内数据进行平滑处理。

功率序列可以表示为p＝[p₀,p₁,…,p_i-1,p_i,p_i+1,…p_n]，为典型的时间序列，而对于功率序列的平滑处理的表达式为：

为功率序列中第i个功率数据，

为平滑处理后功率数据，(a,b,c)为平滑核，且满足a,b,c>0，且a+b+c＝1。

步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时，还采集每个新能源发电站的发电站信息，根据每个新能源发电站的发电站信息对其扩容状况进行判断，对存在扩容状况的新能源发电站的历史发电数据进行标记，并在构建预测数据集后，从训练集、验证集合测试集内分别提取出存在标记的功率数据，并分别对提取出的功率数据进行功率标准化处理。

对训练集内提取出功率数据进行的功率标准化表达式为：

对验证集或测试集内提取出功率数据进行的功率标准化表达式为：

p＝p_u*C_i；

其中：p_u为标准化功率，p为功率数据，C_t为训练集中功率数据对应新能源发电站的额定功率，C_i为训练集中功率数据对应新能源发电站的额定功率。

步骤一中所述预处理包括数据清洗以及数据填充，所述数据清洗通过将所有发电数据以及天气数据进行离群判断，筛选出异常值数据，对异常值数据进行数据填充处理。

新能源发电站的数据存在两类异常值数据，一种是数据值大小明显处于不合理范围的数据，如值为-999或-99等数据；一种是物理意义上无效的数据，如负数风速等，这两类异常值数据均与同类数据差距较大且均处于不合理的数据范围，及均为负数。而离群判断能够筛选出与其他数值相差较大的数据，能够很好的对新能源发电站的数据进行异常筛选。

对异常值数据进行数据填充处理的处理公式为：

其中：x为进行数据填充处理的异常值数据，i％a为数据的不合理范围下限，j％a为数据的不合理范围上线，a为预设常数。本实施例中将i设置为0，j设置为5，a则根据具体特征数据进行设置。此时相当于[0％a,5％a)的数据是不合理的，属于异常值数据，将处于该区间内的异常值数据变换至[5％a-1,5％a)的区间内。

以采集到的27个发电站的数据进行预测方法的效果验证，所述27个发电站包括14个风电站和13个光伏电站，训练数据包括该27个发电站连续两年的历史数据，验证集为该27个发电站后来一年某个月内前15天的历史数据，测试数据为该27个发电站后来一年某个月内后15天的数据，每天的数据均包括了过去7天的天气预报和当天发电站实际的发电功率。

首先根据上述数据进行新能源发电预测模型的训练、验证和测试，并利用测试数据获取新能源发电预测模型(NEF)、传统的LightGBM模型以及线性回归(LR)模型的性能并进行比较，其比较结果如表1所示：

表1新能源发电预测模型和LightGBM以及线性回归模型的性能比较表

其中平均相对均放误差、平均相对绝对误差和平均高峰用电时段误差越小，代表模型性能越好，而合格率则越大代表模型性能越好。根据表1所的内容可以看出，本发明所提出的新能源发电预测模型相较于传统的LightGBM模型或者线性回归(LR)模型均在性能上具备较大优势。

再进一步通过消融实验对建立新能源发电预测模型时所采用优化策略进行效果分析，所述优化策略包括平滑处理、加入周期性特征以及功率标准化策略，其分析结果如表2所示：

表2：优化策略对模型性能提升效果分析表

由于功率标准化针对的是扩容电站数据的优化策略，因此，后两行为以扩容电站的均值为测试数据得到的模型性能数据，而前三行为以所有电站的均值为测试数据得到的模型性能数据。

从表2的分析结果中可以看出不论是平滑处理、周期特征还是标准化处理相比于基础的LightGBM模型均有提升，且标准化对于模型性能提升起到的作用最大。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种基于机器学习的新能源发电预测方法，其特征在于，包括以下步骤：

步骤一，获取若干个新能源发电站的历史发电数据以及对应的历史天气数据，对历史发电数据和历史天气数据进行预处理，并根据预处理后的历史发电数据以及历史天气数据构建历史数据库；

步骤二，建立新能源发电预测模型，提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型，通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取，并对提取的特征数据进行筛选，根据筛选后特征数据构建预测数据集，所述预测数据集包括训练集、验证集和测试集；

步骤三，新能源发电预测模型根据训练集进行模型训练，并通过测试集获取新能源发电预测模型的预测误差，若新能源发电预测模型的预测误差超过预设阈值，则通过验证集对新能源发电预测模型的模型参数进行调节，直至新能源发电预测模型的预测误差不超过预设阈值；若新能源发电预测模型的预测误差不超过预设阈值，则新能源发电预测模型训练完成；

步骤四，采集进行发电预测的新能源发电站对应的天气数据，将采集到的天气数据输入训练完成的新能源发电预测模型，新能源发电预测模型输出发电预测结果。

2.根据权利要求1所述的一种基于机器学习的新能源发电预测方法，其特征在于，步骤二中通过在筛选特征数据前，还对特征数据进行显式表达，将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换，获取显式表达的特征数据，并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。

3.根据权利要求1所述的一种基于机器学习的新能源发电预测方法，其特征在于，所述发电数据包括新能源发电站的发电功率和发电对应的时间信息，所述天气数据包括天气预报数据。

4.根据权利要求1所述的一种基于机器学习的新能源发电预测方法，其特征在于，步骤三中新能源发电预测模型根据训练集进行模型训练前，还对训练集内数据进行平滑处理。

5.根据权利要求1所述的一种基于机器学习的新能源发电预测方法，其特征在于，步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时，还采集每个新能源发电站的发电站信息，根据每个新能源发电站的发电站信息对其扩容状况进行判断，对存在扩容状况的新能源发电站的历史发电数据进行标记，并在构建预测数据集后，从训练集、验证集合测试集内分别提取出存在标记的功率数据，并分别对提取出的功率数据进行功率标准化处理。

6.根据权利要求5所述的一种基于机器学习的新能源发电预测方法，其特征在于，对训练集内提取出功率数据进行的功率标准化表达式为：

对验证集或测试集内提取出功率数据进行的功率标准化表达式为：

p＝p_u*C_i；

其中：p_u为标准化功率，p为功率数据，C_t为训练集中功率数据对应新能源发电站的额定功率，C_i为训练集中功率数据对应新能源发电站的额定功率。

7.根据权利要求1所述的一种基于机器学习的新能源发电预测方法，其特征在于，步骤一中所述预处理包括数据清洗以及数据填充，所述数据清洗通过将所有发电数据以及天气数据进行离群判断，筛选出异常值数据，对异常值数据进行数据填充处理。

8.根据权利要求7所述的一种基于机器学习的新能源发电预测方法，其特征在于，对异常值数据进行数据填充处理的处理公式为：

其中：x为进行数据填充处理的异常值数据，i％a为数据的不合理范围下限，j％a为数据的不合理范围上线，a为预设常数。

Images