CN114493052B - 多模型融合自适应新能源功率预测方法和系统 - Google Patents
多模型融合自适应新能源功率预测方法和系统 Download PDFInfo
- Publication number
- CN114493052B CN114493052B CN202210397998.8A CN202210397998A CN114493052B CN 114493052 B CN114493052 B CN 114493052B CN 202210397998 A CN202210397998 A CN 202210397998A CN 114493052 B CN114493052 B CN 114493052B
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- initial
- models
- batch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请涉及一种多模型融合自适应新能源功率预测方法和系统。本申请涉及新能源技术领域,所述方法包括:获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。采用本方法得到的目标预测模型能够提高新能源功率预测精确度。
Description
技术领域
本申请涉及新能源技术领域,特别是涉及一种多模型融合自适应新能源功率预测方法、系统、计算机设备、存储介质和计算机程序产品。
背景技术
新型电力系统背景下,新能源接入比例大幅度提升,给电网安全稳定带来巨大冲击和挑战。在此场景下,新能源预测技术及其预测准确率的提升对新型电力系统构建和电网安全运行至关重要。在新能源功率预测领域,多种智能算法、统计方法和人工智能方法均得到广泛运用,但预测准确率以及模型泛化能力仍十分局限,面向电力调度业务的新能源功率预测系统仍亟待改进、完善和开发。
然而,目前针对新能源功率预测的精确度不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高新能源功率预测精确度的多模型融合自适应新能源功率预测方法、系统、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种多模型融合自适应新能源功率预测方法。所述方法包括:
获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在其中一个实施例中,获取多个初始预测模型,包括:
获取不同类型的多个机器学习模型;
采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;
对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在其中一个实施例中,对各初始模型进行性能评价处理,包括:
对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;
预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。
在其中一个实施例中,预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在其中一个实施例中,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数,包括:
采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在其中一个实施例中,对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型之前,方法还包括:
采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在其中一个实施例中,基于获得的各分批子模型进行模型融合处理,得到目标预测模型,包括:
对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;
将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在其中一个实施例中,基于获得的各分批子模型进行模型融合处理,得到目标预测模型,包括:
获取每一个分批子模型的预测效果参数;
将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在其中一个实施例中,每一个分批子模型的预测效果参数的获取方式,包括:
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;
采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在其中一个实施例中,方法还包括:
获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
第二方面,本申请还提供了一种多模型融合自适应新能源功率预测系统。所述系统包括:
模型构建模块,用于获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
分批训练模块,用于对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
模型融合模块,用于基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在其中一个实施例中,模型构建模块还用于获取不同类型的多个机器学习模型;采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在其中一个实施例中,模型构建模块还用于对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。
在其中一个实施例中,预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在其中一个实施例中,模型构建模块还用于采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在其中一个实施例中,分批训练模块还用于采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在其中一个实施例中,模型融合模块还用于对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在其中一个实施例中,模型融合模块还用于获取每一个分批子模型的预测效果参数;将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在其中一个实施例中,模型融合模块还用于采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在其中一个实施例中,系统还包括:
功率预测模块,用于获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面任一所述的方法。
上述多模型融合自适应新能源功率预测方法、系统、计算机设备、存储介质和计算机程序产品,获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。通过选择多种类型的机器学习模型进行训练得到初始预测模型,然后采用不同批次的训练集对初始预测模型继续训练得到不同批次的分批子模型,每一个初始预测模型对应一组分批子模型,对每一组分批子模型进行模型融合得到目标预测模型,使用该目标预测模型对目标发电系统进行功率预测,能够提高新能源功率预测精确度。
附图说明
图1为一个实施例中多模型融合自适应新能源功率预测方法的应用环境图;
图2为一个实施例中多模型融合自适应新能源功率预测方法的流程示意图;
图3为一个实施例中模型融合的框架示意图;
图4为一个实施例中能源功率预测系统的框架示意图;
图5为一个实施例中多模型融合自适应新能源功率预测系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的多模型融合自适应新能源功率预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种发电系统管理设备、个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种多模型融合自适应新能源功率预测方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同。
可选地,选择多个不同类型的机器学习模型,采用功率预测相关的数据训练集对每个机器学习模型进行训练,得到多个初始预测模型。
步骤204,对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型。
可选地,选择一个功率预测相关的数据训练集,然后对该数据训练集进行分片处理,将该数据训练集分成不同批次的训练集,不同批次的训练集也就是多个子训练集,针对一个初始预测模型,分别采用每一个子训练集进行一次训练,得到该初始预测模型对应的一组分批子模型,一组分批子模型中的模型数量和子训练集的数量相同,采用相同方法训练其他初始预测模型,得到多组分批子模型,每一组分批子模型与一个初始预测模型对应。
步骤206,基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
可选地,基于每组分批子模型进行模型融合,可以直接采用模型融合算法对所有分批子模型直接进行融合,也可以先在每组分批子模型中筛选出最佳子模型,然后根据每组的最佳子模型进行模型融合,得到一个融合模型,将该融合模型作为目标预测模型,将目标发电系统的能源数据输入目标预测模型中,从而对目标发电系统进行功率预测。
上述多模型融合自适应新能源功率预测方法中,获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。通过选择多种类型的机器学习模型进行训练得到初始预测模型,然后采用不同批次的训练集对初始预测模型继续训练得到不同批次的分批子模型,每一个初始预测模型对应一组分批子模型,对每一组分批子模型进行模型融合得到目标预测模型,使用该目标预测模型对目标发电系统进行功率预测,能够提高新能源功率预测精确度。
在一个实施例中,获取多个初始预测模型,包括:获取不同类型的多个机器学习模型;采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
可选地,选取不同类型的机器学习模型各一个,采用同一个训练集(第一训练集)对每个选取的机器学习模型进行训练,训练完成后得到多个初始模型,对每个初始模型的功率预测精确程度进行评价,得到性能评价结果,根据性能评价结果从多个初始模型中选取满足性能要求的模型,作为初始预测模型。
在一个实施例中,对各初始模型进行性能评价处理,包括:对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
可选地,对各初始模型进行性能评价处理时,需综合考虑模型的预测效果,通用性和泛化能力。
获取预测效果评价参数时,需要分别获取性能评价参数和运行参照参数。
获取性能评价参数时,采用相对开机容量的均方根误差和预测合格率两个指标进行综合评价。
相对开机容量的均方根误差的计算公式为:
式中:PP,i为i时刻的实际功率;PM,i为i时刻的预测功率;Ci为i时刻的开机容量;n为误差统计时间区间内的样本总数减去限电时段的样本数。
预测合格率的计算公式为:
式中:Bi为i时刻的预测合格率判定结果;T为合格阈值,表示若预测值相对于实际值偏差不能超过该阈值,否则预测结果不予接受,合格率为0;可选的T=0.2。
获取运行参照参数时,采用相对实际功率均方根误差,负荷高峰时段最大绝对预测偏差和日最大绝对预测偏差进行综合评价和参照。
相对实际功率均方根误差的计算公式为:
式中:Cr,i为计算相对实际功率均方根误差用到的归一化分母,若相应时刻的实际功率大于开机容量的20%,则以实际功率为归一化分母;若相应时刻的实际功率小于开机容量的20%,则以开机容量的20%为归一化分母。
负荷高峰时段最大绝对预测偏差的计算公式为:
式中:Ep,MAX为负荷高峰时段最大绝对预测偏差,m为负荷高峰时段数。
日最大绝对预测偏差的计算公式为:
式中:Ed,MAX为日最大绝对预测偏差,d为每日预测和实际功率的统计时段数。
在预测效果层面,需从上述性能评价和运行参照两个维度上综合考虑预测模型在集中式光伏、集中式风电、分布式光伏和分散式风电的预测能力,兼顾中长期预测、短期预测和超短期预测,综合以上能力得出初始模型的预测效果评价参数。
获取通用性评价参数时,预测模型要求对不同地区、地形地貌和气象条件具有高度的通用性,本发明采取计点打分的方式得到每个初始模型的通用性评价参数,打分所计入的点包括地区通用性、地形地貌通用性和气象条件通用性三个大点。其中地区通用性中涉及的地区包括华北、东北、华东、西北、西南和中南六个区域的通用性评价;地形地貌通用性包括内陆戈壁、内陆山地、内陆平原、内陆丘陵、高原、近海戈壁、近海山地、近海平原和近海丘陵的通用性评价,若为风电则还需计入模型对海上风电功率预测的通用性;气象通用性包括晴、多云、阴、雨、雪、雾和霾这七种基本天气情况的通用性评价,沙尘暴、台风、暴雪和特大暴雨这四种极端天气的通用性评价,以及热带季风气候、亚热带季风气候、温带季风气候、温带大陆性气候和高原山地气候这五种气候类型的通用性评价。
获取泛化能力评价参数时,主要评估由某新能源场站数据训练得到的预测模型在其他新能源场站功率预测应用中的可行性和效果。在本发明中,对预测模型在集中式光伏、集中式风电、分布式光伏和分散式风电这四类电场,在中长期预测、短期预测和超短期预测这三类预测模式下的预测泛化能力进行综合评价。评价步骤如下:在新能源场站数据库中随机抽取10个集中式光伏电站、10个集中式风电场、10个分布式光伏和10个分散式风电场;分别从抽取的新能源场站中,抽取1个集中式光伏电站、1个集中式风电场、1个分布式光伏和1个分散式风电场,在中长期预测、短期预测和超短期预测这三类预测模式下进行训练,从而得到初始模型在四种新能源场站下三类预测模式下的预测模型;将训练得到的预测模型在剩余的9个集中式光伏电站、9个集中式风电场、9个分布式光伏和9个分散式风电场种进行预测,并对预测效果进行统计,统计指标包括相对开机容量的均方根误差、预测合格率、相对实际功率均方根误差、负荷高峰时段最大绝对预测偏差和日最大绝对预测偏差;对统计的指标在9个集中式光伏电站、9个集中式风电场、9个分布式光伏和9个分散式风电场上的预测效果进行加权平均,评价得到初始模型的泛化能力评价参数。
在一个实施例中,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数,包括:采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
可选地,基于地理位置、气象条件、发电系统(发电厂)类型等因素选择一个或多个测试集(第一测试集),采用这些测试集对每一个初始模型进行测试,并根据测试结果计算得到每个初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在一个实施例中,对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型之前,方法还包括:采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
可选地,第二训练集和第二测试集都采用同一个梯度提升分类器进行数据切分处理,分别得到不同批次的训练集和不同批次的测试集,每个批次的训练集都有着对应批次的测试集。梯度提升分类器的工作流程包括:
Step1:采用浅层的决策树分类器对训练样本进行初始化分类;
Step2:计算残差值;
Step3:构建另一个浅层决策树分类器,并将上一个决策树分类器的残差作为输入;
Step4:用新的分类结果替代原有分类结果;
Step5:迭代Step2至Step4,迭代次数为预先设置的浅层决策树的个数,可根据样本大小自定义设置,例如设置迭代次数为100。
在一个实施例中,基于获得的各分批子模型进行模型融合处理,得到目标预测模型,包括:对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
可选地,对于每一个初始预测模型,根据该初始预测模型对应的每一个分批子模型的预测效果参数,选择预测效果最好的一个分批子模型作为该初始预测模型对应的目标分批子模型,同理得到每一个初始预测模型对应的目标分批子模型,将所有目标分批子模型进行融合处理得到目标预测模型。如图3所示,模型1、模型2……模型ns分别是初始预测模型,每个模型下方的一列分批子模型就是各初始预测模型对应的一组分批子模型,若根据预测效果参数判断出模型1的目标分批子模型是第一列的分批子模型1,模型3的目标分批子模型是第三列的分批子模型2,模型ns的目标分批子模型是第ns列的分批子模型nc-2……,则融合上述目标分批子模型就能够得到融合模型,将该融合模型作为目标预测模型。
在一个可行的实施方式中,对每个分批子模型采用第二测试集分批处理后的分批测试数据集进行测试,得到分批子模型的预测效果参数。
将每个分批子模型的预测效果参数作为输入参数,以分批子模型的选择变量作为变量,采用CPLEX工具进行优化,优化的目标函数为:
式中:ns为初始预测模型的个数;nc为数据集分批的批数;fi,j为第i个初始预测模型的第j个分批子模型的预测结果;oi,j为第i个初始预测模型的第j个分批子模型的选择变量,其取值为0或1,其应满足约束如下:
将CPLEX工具优化得到的结果输出,从而获得权重系数序列和选择变量矩阵。通过选择变量矩阵将分批子模型进行融合组合,得到最终的融合模型。
例如,输出选择变量矩阵O如下:
则将第1个初始模型的第1个分批子模型、第2个初始模型的第3个分批子模型、第3个初始模型的第2个分批子模型和第4个初始模型的第4个分批子模型进行融合组合,得到最终的融合模型。本方法适用于初始预测模型较多的情况,一般认为当初始预测模型在10个以上优先使用优化融合策略。
在一个实施例中,基于获得的各分批子模型进行模型融合处理,得到目标预测模型,包括:获取每一个分批子模型的预测效果参数;将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
可选地,对每个分批子模型采用第二测试集分批处理后的分批测试数据集进行测试,评价得到分批子模型的预测效果参数,将预测效果参数视作每个分批子模型的标记值。将分批子模型的预测结果作为输入参数,输入到监督学习自适应融合学习器中,采用监督学习的方式对分批子模型的预测结果进行处理、组合和进一步回归预测训练。将监督学习自适应融合学习器输出的预测结果在测试集上进行测试。得到训练好的监督学习自适应融合学习器。此监督学习自适应融合学习器即为最终的融合模型。本方法适用于初始预测模型较少的情况,一般认为当初始预测模型在10个以下优先使用监督学习自适应融合策略,过多的初始预测模型就会影响融合效率,并由于信息数据繁多,融合效果将受影响。
在一个实施例中,每一个分批子模型的预测效果参数的获取方式,包括:采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
可选地,第二训练集和第二测试集都采用同一个梯度提升分类器进行数据切分处理,分别得到不同批次的训练集和不同批次的测试集,每个批次的训练集和每个批次的测试集一一对应。若一个分批子模型是根据第一批次的训练集训练初始预测模型得到的,则在测试该分批子模型时,采用第一批次的测试集对该分批子模型进行测试,得到该分批子模型对应的预测效果参数。
在一个实施例中,方法还包括:获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
可选地,在得到目标预测模型后,获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
在一个可行的实施例中,获取一种能源类型相关的数据,作为待预测能源数据,将预测能源数据输入目标预测模型中,得到该类型能源的能源功率预测结果。
进一步的,获取一种能源类型相关的数据的方法包括:
第一步获取该种能源类型的广域时空数据,下面称该种能源类型为新能源。
广域时空数据主要包括高分辨率天气预报数据、运行数据和分布式光伏历史数据等大数据,为不断提升预测模型的泛化能力提供了源泉,切实保障了算法对不同地域、地形和气候新能源场站的适应性。数据来源包括气象观测数据、调度侧数据和电网营销系统和计量主站数据。其中,气象观测数据有效利用数值天气预报资源,并保证预报精度和预报质量。调度测掌握全网数百个新能源场站历史发电数据、设备台账和地理坐标。电网营销系统和计量主站统一汇聚了全网10kV电压等级分布式光伏15min时间尺度运行数据。
第二步对新能源的广域时空数据进行数据相关性分析和缺失数据补齐处理。
针对风电、光伏两类主要新能源,分析不同地形的气象因素(风速、风向、辐照、温度等)与风/光发电功率之间的相关性并进行定量计算,根据相关性分析的结果建立风电/光伏发电功率的敏感气象因素最小集合,为新能源功率预测提供强相关性、高质量的输入数据。
在广域时空数据中,会存在数据缺失、数据噪声和异常数据的情况。在数据处理后,将剔除异常数据。但数据的缺失将对新能源功率预测的效果产生影响。在此,采用数据生成的方法对缺失数据进行补齐,其步骤如下:
A、构建生成器网络G,同时构建判别器D;
B、从一个预先定义的分布pz中进行随机采样得到噪声集z={z1,z2,z3,…,zn};
C、令生成器的输入为z,输出“假”数据G(z);
D、将“假”数据G(z)置于判别器D中判断数据真假,并进行参数更新;
生成器训练的目标函数为:
E、重复步骤D训练过程k次,直至收敛;引入真实数据集x={x1,x2,x3,…,xn},将“假”数据G(z)和真数据x={x1,x2,x3,…,xn}置于判别器D中进行判别;根据判别结果更新判别器D的参数;
判别器训练的目标函数为:
F、重复步骤C至步骤E,直至生成器网络近似收敛于真实数据分布,得到生成数据集。
在一个实施例中,一种多模型融合自适应新能源功率预测方法,包括:
获取不同类型的多个机器学习模型。
采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型。
对于各初始模型,采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
根据各初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数从多个初始模型中选取多个初始预测模型。
获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同。
采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型。
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
上述一种多模型融合自适应新能源功率预测方法还可以用应用于如图4所示的一种新能源功率预测系统中,用于实现系统中的数据处理、功率预测、结果评估等功能。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的多模型融合自适应新能源功率预测方法的多模型融合自适应新能源功率预测系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个多模型融合自适应新能源功率预测系统实施例中的具体限定可以参见上文中对于多模型融合自适应新能源功率预测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种多模型融合自适应新能源功率预测系统500,包括:模型构建模块501、分批训练模块502和模型融合模块503,其中:
模型构建模块501,用于获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
分批训练模块502,用于对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
模型融合模块503,用于基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在一个实施例中,模型构建模块501还用于获取不同类型的多个机器学习模型;采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在一个实施例中,模型构建模块501还用于对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。
在一个实施例中,预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在一个实施例中,模型构建模块501还用于采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在一个实施例中,分批训练模块502还用于采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在一个实施例中,模型融合模块503还用于对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在一个实施例中,模型融合模块503还用于获取每一个分批子模型的预测效果参数;将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在一个实施例中,模型融合模块503还用于采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在一个实施例中,系统还包括:
功率预测模块504,用于获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
上述多模型融合自适应新能源功率预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种多模型融合自适应新能源功率预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取不同类型的多个机器学习模型;
采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;
对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;
预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;
将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取每一个分批子模型的预测效果参数;
将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;
采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取不同类型的多个机器学习模型;
采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;
对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;
预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;
将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取每一个分批子模型的预测效果参数;
将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;
采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取多个初始预测模型,多个初始预测模型均用于对目标发电系统进行功率预测,且多个初始预测模型的模型类型互不相同;
对于各初始预测模型,利用不同批次的训练集对初始预测模型进行训练,得到与不同批次的训练集一一对应的多个分批子模型;
基于获得的各分批子模型进行模型融合处理,得到目标预测模型,目标预测模型用于对目标发电系统进行功率预测。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取不同类型的多个机器学习模型;
采用第一训练集对各机器学习模型进行训练,得到与多个机器学习模型一一对应的多个初始模型;
对各初始模型进行性能评价处理,并根据性能评价结果从多个初始模型中选取多个初始预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各初始模型,获取初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;
预测效果评价参数用于表征初始模型进行功率预测的精确程度,通用性评价参数用于表征初始模型对不同地理位置的发电系统进行功率预测的精确程度,泛化能力评价参数用于表征初始模型对不同类型的发电系统进行功率预测的精确程度。预测效果评价参数包括性能评价参数和运行参照参数,性能评价参数用于表征初始模型进行功率预测时输出精确预测结果的概率,运行参照参数用于表征初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用第一测试集对初始模型进行测试,通过测试得到预测效果评价参数、通用性评价参数以及泛化能力评价参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用梯度提升分类器对第二训练集进行数据切分,得到不同批次的训练集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各初始预测模型,根据初始预测模型对应的每一个分批子模型的预测效果参数,从初始预测模型对应的每一个分批子模型中确定目标分批子模型;
将各初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取每一个分批子模型的预测效果参数;
将每一个分批子模型的预测效果参数输入融合学习器中进行训练,对融合学习器训练完成后得到目标预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;
采用不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标发电系统的待预测能源数据,将待预测能源数据输入目标预测模型中,得到目标发电系统的能源功率预测结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种多模型融合自适应新能源功率预测方法,其特征在于,所述方法包括:
获取不同类型的多个初始模型;
获取所述初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;其中,所述通用性评价参数表征所述初始模型对不同地区、地形地貌和气象条件的通用性程度,所述泛化能力评价参数表征由任一新能源场站数据训练得到的初始模型在其他新能源场站进行功率预测的可行性;
根据所述预测效果评价参数、通用性评价参数以及泛化能力评价参数,从多个初始模型中选取多个初始预测模型;其中,所述多个初始预测模型均用于对目标发电系统进行功率预测,且所述多个初始预测模型的模型类型互不相同,所述目标发电系统包括至少一个新能源场站;
对于各所述初始预测模型,利用不同批次的训练集对所述初始预测模型进行训练,得到与所述不同批次的训练集一一对应的多个分批子模型;所述不同批次的训练集包括新能源场站的发电功率数据;
对于各所述初始预测模型,根据所述初始预测模型对应的每一个分批子模型的预测效果参数,从所述初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各所述初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型,所述目标预测模型用于对所述目标发电系统进行功率预测。
2.根据权利要求1所述的方法,其特征在于,所述获取不同类型的多个初始模型,包括:
获取不同类型的多个机器学习模型;
采用第一训练集对各所述机器学习模型进行训练,得到与所述多个机器学习模型一一对应的多个初始模型。
3.根据权利要求1所述的方法,其特征在于,所述预测效果评价参数用于表征所述初始模型进行功率预测的精确程度,所述预测效果评价参数包括性能评价参数和运行参照参数,所述性能评价参数用于表征所述初始模型进行功率预测时输出精确预测结果的概率,所述运行参照参数用于表征所述初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。
4.根据权利要求1所述的方法,其特征在于,所述获取所述初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数,包括:
采用第一测试集对所述初始模型进行测试,通过测试得到所述预测效果评价参数、通用性评价参数以及泛化能力评价参数。
5.根据权利要求1所述的方法,其特征在于,所述对于各所述初始预测模型,利用不同批次的训练集对所述初始预测模型进行训练,得到与所述不同批次的训练集一一对应的多个分批子模型之前,所述方法还包括:
采用梯度提升分类器对第二训练集进行数据切分,得到所述不同批次的训练集。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取每一个分批子模型的预测效果参数;
将所述每一个分批子模型的预测效果参数输入融合学习器中进行训练,对所述融合学习器训练完成后得到所述目标预测模型。
7.根据权利要求1所述的方法,其特征在于,所述每一个分批子模型的预测效果参数的获取方式,包括:
采用梯度提升分类器对第二测试集进行数据切分,得到不同批次的测试集;
采用所述不同批次的测试集分别对每一个分批子模型进行测试,得到每一个分批子模型对应的预测效果参数,所述预测效果参数用于表征分批子模型对发电系统进行功率预测的精确程度。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标发电系统的待预测能源数据,将所述待预测能源数据输入所述目标预测模型中,得到所述目标发电系统的能源功率预测结果。
9.一种多模型融合自适应新能源功率预测系统,其特征在于,所述系统包括:
模型构建模块,用于获取不同类型的多个初始模型;获取所述初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数;其中,所述通用性评价参数表征所述初始模型对不同地区、地形地貌和气象条件的通用性程度,所述泛化能力评价参数表征由任一新能源场站数据训练得到的初始模型在其他新能源场站进行功率预测的可行性;根据所述预测效果评价参数、通用性评价参数以及泛化能力评价参数,从多个初始模型中选取多个初始预测模型;其中,所述多个初始预测模型均用于对目标发电系统进行功率预测,且所述多个初始预测模型的模型类型互不相同,所述目标发电系统包括至少一个新能源场站;
分批训练模块,用于对于各所述初始预测模型,利用不同批次的训练集对所述初始预测模型进行训练,得到与所述不同批次的训练集一一对应的多个分批子模型;所述不同批次的训练集包括新能源场站的发电功率数据;
模型融合模块,用于对于各所述初始预测模型,根据所述初始预测模型对应的每一个分批子模型的预测效果参数,从所述初始预测模型对应的每一个分批子模型中确定目标分批子模型;将各所述初始预测模型对应的目标分批子模型进行融合处理,得到目标预测模型,所述目标预测模型用于对所述目标发电系统进行功率预测。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210397998.8A CN114493052B (zh) | 2022-04-08 | 2022-04-08 | 多模型融合自适应新能源功率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210397998.8A CN114493052B (zh) | 2022-04-08 | 2022-04-08 | 多模型融合自适应新能源功率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114493052A CN114493052A (zh) | 2022-05-13 |
CN114493052B true CN114493052B (zh) | 2022-10-11 |
Family
ID=81489293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210397998.8A Active CN114493052B (zh) | 2022-04-08 | 2022-04-08 | 多模型融合自适应新能源功率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493052B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094420A (zh) * | 2023-10-20 | 2023-11-21 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249981B (zh) * | 2022-09-26 | 2023-01-03 | 国网浙江余姚市供电有限公司 | 一种配网资源调控的分布式电源消储优化方法和装置 |
CN116127067B (zh) * | 2022-12-28 | 2023-10-20 | 北京明朝万达科技股份有限公司 | 文本分类方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021175058A1 (zh) * | 2020-03-05 | 2021-09-10 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
CN114038507A (zh) * | 2021-10-28 | 2022-02-11 | 上海商汤智能科技有限公司 | 预测方法、预测模型的训练方法及相关装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10289954B2 (en) * | 2015-01-06 | 2019-05-14 | Accenture Global Services Limited | Power distribution transformer load prediction analysis system |
CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式(北京)技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
US20210288493A1 (en) * | 2020-03-12 | 2021-09-16 | ComAp a.s. | Optimization of power generation from power sources using fault prediction based on intelligently tuned machine learning power management |
CN111626465B (zh) * | 2020-04-07 | 2023-10-27 | 北方工业大学 | 一种新能源功率短期区间预测方法及系统 |
CN113222014A (zh) * | 2021-05-12 | 2021-08-06 | 深圳思谋信息科技有限公司 | 图像分类模型训练方法、装置、计算机设备和存储介质 |
CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
-
2022
- 2022-04-08 CN CN202210397998.8A patent/CN114493052B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021175058A1 (zh) * | 2020-03-05 | 2021-09-10 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
CN114038507A (zh) * | 2021-10-28 | 2022-02-11 | 上海商汤智能科技有限公司 | 预测方法、预测模型的训练方法及相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094420A (zh) * | 2023-10-20 | 2023-11-21 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
CN117094420B (zh) * | 2023-10-20 | 2024-02-06 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114493052A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN114399235B (zh) | 一种基于雨情数据判定灾害风险等级的方法及系统 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
Yu et al. | The study of artificial intelligence for predicting land use changes in an arid ecosystem | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117253344A (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN113971348A (zh) | 一种基于综合能源系统的源端功率短期预测方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及系统 | |
Mouatadid et al. | Non-uniform spatial downscaling of climate variables | |
CN117318026A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |