CN114781723A - 一种基于多模型融合的短期光伏出力预测方法 - Google Patents

Abstract

本发明涉及一种基于多模型融合的短期光伏出力预测方法，其包括以下步骤，S1：获取气象数据和功率运行数据，并对数据进行清洗；S2：对步骤S1的数据分析后，构造高维特征，计算各特征与光伏发电量的皮尔森相关系数；S3：基于模型融合思想，构建模型融合架构，将LightGBM和XGBoost两种树模型与LSTM神经网络模型进行融合，得到分类模型；S4：使用贝叶斯优化模型参数，寻找最优超参数组合，得到最终预测模型。本发明克服了光伏的波动性和间歇性，为光伏电站能源消纳、光伏电站参与调峰、电力调度计划制定和电力市场现货交易提供了指导。

Description

一种基于多模型融合的短期光伏出力预测方法

技术领域

本方法属于新能源出力预测领域，尤其是一种基于多模型融合的短期光伏出力预测方法。

背景技术

构建以新能源为主体的新型电力系统是未来能源领域的重点工作。随着高比例新能源的广泛接入，电网的运行特性变得越来越复杂。光伏具有波动性和间歇性的特性，太阳能电站的输出功率受光伏板本体性能、气象条件、运行工况等多种因素影响，具有很强的随机性，由此带来的大规模并网困境严重制约着光伏发电的发展。而新型电力系统亟需解决高比例新能源接入下系统强不确定性与脆弱性问题，充分发挥电网大范围资源配置的能力，利用更丰富的能源数据构建更精密的预测模型，实现更精确的光伏发电预测在智能电网中已成为迫切需要，对未来光伏电站参与调峰、电力调度计划制定、多能互补的工业园区新能源发电与负荷之间的消纳、电力市场现货交易均具有一定指导意义。

当前，针对短期光伏功率预测的主要集中在预测过程、预测建模方式、预测时间尺度、预测结果形式、聚类分析、预测模型选择等多个方面。包括：构建基于XGBoost 的双层协同实时校正超短期光伏预测模型，从机器学习角度推演气象整体连续变化的过程，提升预测精度；针对光伏功率信号的波动性和非平稳性，将光伏功率利用变分模态进行分解，并将长短期记忆神经网络加入时序双重注意力机制对各分量进行预测；构建基于数字孪生技术的超短期光伏功率预测模型，基于GA-BP神经网络初步构建光伏功率预测模型，训练并预测传感器采集到的孪生数据，最后通过气象搜索进行预测功率修正；研究影响光伏出力的相关因素，提出混沌-径向基神经网络函数预测模型等。但是，当前的研究方法也存在诸多局限性，包括：计算过程较为繁琐，单一数学指标无法全方位分析该电站对汇聚区的代表性，传统滚动预报的误差随时间迅速增加，单一模型对光伏功率进行预测的精度不够等问题。基于以上研究现状，本文提出一种基于多模型融合的短期光伏出力预测方法。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于多模型融合的短期光伏出力预测方法，克服了光伏的波动性和间歇性，为光伏电站能源消纳、光伏电站参与调峰、电力调度计划制定和电力市场现货交易提供了指导。

本发明采用的技术方案是：本发明提供了一种基于多模型融合的短期光伏出力预测方法，其包括以下步骤，S1：获取气象数据和功率运行数据，并对数据进行清洗；S2：对步骤 S1的数据分析后，构造高维特征，计算各特征与光伏发电量的皮尔森相关系数；S3：基于模型融合思想，构建模型融合架构，将LightGBM和XGBoost两种树模型与LSTM神经网络模型进行融合，得到分类模型；S4：使用贝叶斯优化模型参数，寻找最优超参数组合，得到最终预测模型。

进一步地，所述气象数据包括以下参数：现场温度、风速、风向、空气质量指数和天气状况，所述功率运行数据包括以下参数：板温、各数据采集点处转换效率、电压、电流和功率。

进一步地，步骤S1中，对数据进行清洗包括基于3σ原则对数据进行异常值判定，使用最近一个有效值对异常值进行替换。

进一步地，步骤S2中，对步骤S1的数据和发电量进行相关性探索，构造所述气象数据内各参数两两之间的高阶交互项。

进一步地，步骤S2中，将步骤S1清洗后的数据与所述高阶交互项和发电量进行皮尔森相关系数分析，筛选出具有高相关性的特征，得到基础特征组合F0。

进一步地，步骤S3中，将基础特征组合F0作为第一层LightGBM树模型的输入特征。

进一步地，步骤S3中，LightGBM树模型的输出结果作为新特征加入基础特征组合中，形成特征组合F1。

进一步地，步骤S3中，将特征组合F1作为第二层XGBoost树模型输入特征，将基础特征组合F0作为第三层LSTM树模型的输入特征；步骤S3中，最终，将LightGBM、XGBoost 与LSTM模型的预测结果进行加权融合。

进一步地，步骤S4中，确定使用均方根误差为优化目标函数，反映光伏预测函数精密度。

进一步地，步骤S4中，构建贝叶斯优化对象，包括优化目标函数，优化超参数组合以及其范围，输出最优超参数组合。

本发明的有益效果是：

光伏作为新型电力系统的重要支撑能源，在实际新能源消纳过程中，难以克服其波动性与间歇性。本发明通过提供一种多模型融合的短期光伏出力预测，通过构造多种特征，融合树模型与神经网络模型的优势，为电力系统管理人员提供精准的短期光伏出力预测分析，对新能源消纳、构建新型电力系统与保障电力系统稳定运行具有重要意义。

附图说明

图1为本发明的光伏出力预测流程图。

图2为本发明的模型融合构建示意图。

具体实施方式

下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明提供了一种多模型融合的短期光伏出力预测方法，其包括以下步骤，S1：获取气象数据和功率运行数据，并对数据进行清洗。

所述气象数据包括以下参数：现场温度、风速、风向、空气质量指数和天气状况，所述功率运行数据包括以下参数：板温、各数据采集点处转换效率、电压、电流和功率。

所述现场温度为光伏电站现场温度。所述风速为光伏电厂现场风速测量值；所述风向为光伏电厂现场风的来向。所述天气状况为晴、阴、多云、雾、霾、雨、雪，对天气状况进行 One-Hot分类编码，给每一个类一个N维的向量，对于第i类，这个向量的第i位为1，其他位为0。天气状况为晴，表示为(1,0,0,0,0,0,0)，天气状况为阴，表示为(0,1,0,0,0,0,0)，天气状况为多云，表示为(0,0,1,0,0,0,0)，天气状况为雾，表示为(0,0,0,1,0,0,0)，天气状况为霾，表示为(0,0,0,0,1,0,0)，天气状况为雨，表示为(0,0,0,0,0,1,0)，天气状况为雪，表示为 (0,0,0,0,0,0,1)。

所述板温为光伏电池板背测温度。所述各数据采集点处转换效率为数据采集点处的光伏板转换效率。所述电压为数据采集点处汇流箱电压值。所述电流为采集点处汇流箱电流值。所述功率为采集点处的功率P，P＝UI。

基于3σ原则对数据进行异常值判定。

对于数据序列{x₁,x₂,...,x_N}，该数据数列表示各变量时序数，描述该序列数据的变化特征为：

d_j＝2x_j-(x_j+1+x_j-1)

其中，j＝2,3,...,N-1

计算该数据序列变化的统计均值为：

计算该数据序列的均方差为：

计算d_j偏差的绝对值与均方差的比值：

当q_j>3时，则认为x_j为奇异值，应予以舍弃，并使用最近一个有效值对异常值进行替换。

S2：对步骤S1的数据分析后，构造高维特征，计算各特征与光伏发电量的皮尔森相关系数；对步骤S1的气象数据、功率运行数据和发电量进行相关性探索即计算皮尔森相关性系数，构造所述气象数据内各参数两两之间的高阶交互项。

步骤S2中，将步骤S1清洗后的数据与所述高阶交互项和发电量进行皮尔森相关系数分析，筛选出具有高相关性的特征，得到基础特征组合F0。

所述高相关性为：

通常情况下通过以下取值范围判断变量的相关强度：

本领域技术人员根据实际数据情况进行相关性特征筛选。

皮尔森相关系数计算如下：

其中，r_xy代表各特征的间的皮尔森相关系数，n代表特征数量，x_i代表某特征第i个观测值，y_i代表另一特征第i个观测值。

S3：基于模型融合思想，构建模型融合架构，将LightGBM和XGBoost两种树模型与LSTM 神经网络模型进行融合；

将基础特征组合F0作为第一层LightGBM树模型的输入特征。

LightGBM树模型的输出结果作为新特征加入基础特征组合中，形成特征组合F1。

接下来，将特征组合F1作为第二层XGBoost树模型输入特征，将基础特征组合F0作为第三层LSTM树模型的输入特征。

步骤S3中，最终，将LightGBM、XGBoost与LSTM模型的预测结果进行加权融合，得到分类模型。

将现场温度、风速、风向、空气质量指数和天气状况这些气象数据及板温、各数据采集点处转换效率、电压、电流、功率等功率运行数据和发电量，以及板温、各数据采集点处转换效率、电压、电流和功率这些功率运行数据的两两之间的高阶交互项作为特征组合F0。

F₀＝{a₁,a₂,…a_n}

其中，F0为基础特征组合，a_i为某一特征。将此特征组合作为基础特征组合，输入LightGBM与LSTM中。

以F0为基础特征组合作为输入的LightGBM，输出预测结果a_n+1，将该预测结果作为新增特征，建立特征组合F1。

F₁＝{a₁,a₂,...a_n,a_n+1}

最终，将LightGBM、XGBoost与LSTM模型的预测结果进行加权融合。

S4：使用贝叶斯优化模型参数，寻找最优超参数组合，综合提升模型效果，得到最终预测模型。

确定使用均方根误差为优化目标函数，反映光伏预测函数精密度。

构建贝叶斯优化对象，包括优化目标函数，优化超参数组合，以及其范围，输出最优化超参数组合。

对于XGBoost极端梯度提升模型，XGBoost是一个典型的Boosting算法,它通过一系列的学习将弱分类器组合成强分类器。其学习方法是基于梯度提升树并在此基础上做了非常多的优化，根据实际光伏预测问题来选择损失函数、决策树的选择、正则化、样本随机、样本均衡等。

对于给定数据集D，拥有n个样本及m个特征，整体树形模型使用K个相加函数进行结果预测，最终预测结果如下所示：

其中：

q代表树形结构，将一个示例映射到相应的叶子索引。T代表树中叶子的数量。每个f_k代表一个独立的树形结构q和叶子权重w7。

为了学习模型中使用的函数集，我们最小化以下正则化目标：

其中l代表测度预测值

和目标值y_i的损失函数，Ω代表惩罚模型的复杂性，额外的正则化项有助于平滑最终学习的权重，以避免过度拟合。

定义第j个叶子节点所在的实例集为I_j＝{i|q(X_i)＝j}，对损失函数进行二阶泰勒展开并进行进一步简化整理，得出最优损失函数值：

其中g_i、h_i是关于损失函数的一阶和二阶梯度统计，

对于LightGBM轻度梯度提升机，用直方图算法代替XGBoost的预排序算法构建的数据结构,采用GOSS算法对数据进行采样,移除梯度较小的样本,采用EFB算法对特征采样,将互斥特征集合为一个特征,达到降维的目的,降低了选择分割点的时间复杂度。

对于LSTM长短期记忆神经网络，拥有输入门、遗忘门和输出门等逻辑控制单元，

其中，遗忘门：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

输入门：

i_t＝σ(W_i[h_t-1,x_t]+b_i)

单元：

输出门：

o_t＝σ(W_o[h_t-1,x_t]+b_o)

最终输出：

h_t＝o_t*tanh(c_t)

其中，W_f是遗忘门的权重矩阵,[h_t-1,x_t]表示将两个向量连接成一个更长的向量,b_f是遗忘门的偏置项,σ是sigmoid函数。W_i是输入门的权重矩阵,b_i是输入门的偏置项。计算当前时刻的单元状态c_t,它是由上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态

按元素乘以输入门i_t，再将两个积加和产生。把LSTM关于当前的记忆

和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t。由于遗忘门的控制，它可以保存时间较为久远的信息，通过输入门的控制，可以保证丢弃一些当前无关紧要的内容。o_t计算输出门输出,h_t最终得到 LSTM输出。

下面对于模型融合，即步骤S3的LightGBM和XGBoost两种树模型与LSTM神经网络模型进行融合，结合附图2进行具体介绍。

首先，由于在实际测量中，观测次数n总是有限的，真值只能用最可信赖值来代替。方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。使用均方根误差反映光伏预测函数精密度；

其中，X_obs,i为该厂站功率实际值，X_model,i为该厂站功率预测值，X_obs,i-X_model,i为每时刻相对误差，n为观测次数。

接下来，构建贝叶斯优化对象，包括优化目标函数，优化超参数组合，以及其范围；

使用均方根误差的倒数作为贝叶斯目标优化函数：

参数组合及其优化范围为：

C＝{c₁,c₂,...c_n}

S＝{s₁,s₂,...s_n}

其中，c_i为各项参数，s_i为各项参数对应的调整范围。

最后，从上一步得到的原始先验开始，使用高斯过程作为概率函数代理未知最优参数，使用采集函数围绕当前已找到的最优超参数组合从参数空间中选取未评估过的超参数组合，通过迭代增加信息量、不断修正先验，在迭代结束后，选取准确率最高模型的超参数即为最优超参数组合，最终使用最优超参数组合训练分类模型得到最终模型。

综上所述，结合附图1，对本发明进行简要概括如下：

(1)获取气象数据与功率运行数据，并对数据进行清洗操作。

获取包括：板温(光伏电池板背测温度)、现场温度(光伏电站现场温度)、转换效率(为计算得到的平均转换效率)、转换效率(数据采集点处的光伏板转换效率)、电压 (为数据采集点处汇流箱电压值)、电流(为采集点处汇流箱电流值)、功率(为采集点处的功率P，P＝UI)、风速(为光伏电厂现场风速测量值)、风向(为光伏电厂现场风的来向)等气象数据及功率数据。基于3σ原则进行异常值判定，定义测定值中与平均值的偏差超过3倍标准差的值为异常值，并使用最近一个有效值对异常值进行替换实现异常值修正。

(2)构造模型特征。

使用皮尔森相关系数对现场温度、风速、风向、空气质量指数、天气状况等气象数据及板温、各数据采集点处转换效率、电压、电流、功率等功率数据和发电量进行相关性探索。

构造板温、现场温度、光照强度、风速、风向等环境因素的两两之间的高阶交互项，并与发电量进行皮尔森相关系数分析。

(3)构造LightGBM、XGBoost两种树模型与LSTM神经网络的融合模型。

将基础特征组合F0作为第一层LightGBM模型的输入特征,将LightGBM模型的输出结果作为新特征加入基础特征组合中，形成特征组合F1，将F1作为第二层XGBoost 模型输入特征。将基础特征组合F0作为第三层LSTM模型的输入特征。最终，将LightGBM、XGBoost与LSTM模型的预测结果进行加权融合。

(4)使用贝叶斯优化模型参数，寻找最优超参数组合

使用均方根误差的倒数为优化目标函数，使用贝叶斯参数优化方法，使用高斯过程作为概率函数代理未知最优参数，使用采集函数围绕当前已找到的最优超参数组合从参数空间中选取未评估过的超参数组合，通过迭代增加信息量、不断修正先验，在迭代结束后，选取准确率最高模型的超参数即为最优超参数组合，最终使用最优超参数组合训练分类模型得到最终模型。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于多模型融合的短期光伏出力预测方法，其特征在于，其包括以下步骤：

S1：获取气象数据和功率运行数据，并对数据进行清洗；

S2：对步骤S1的数据分析后，构造高维特征，计算各特征与光伏发电量的皮尔森相关系数；

S3：基于模型融合思想，构建模型融合架构，将LightGBM和XGBoost两种树模型与LSTM神经网络模型进行融合，得到分类模型；

S4：使用贝叶斯优化模型参数，寻找最优超参数组合，得到最终预测模型。

2.根据权利要求1所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，所述气象数据包括以下参数：现场温度、风速、风向、空气质量指数和天气状况，所述功率运行数据包括以下参数：板温、各数据采集点处转换效率、电压、电流和功率。

3.根据权利要求1所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S1中，对数据进行清洗包括基于3σ原则对数据进行异常值判定，使用最近一个有效值对异常值进行替换。

4.根据权利要求1所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S2中，对步骤S1的数据和发电量进行相关性探索，构造所述气象数据内各参数两两之间的高阶交互项。

5.根据权利要求4所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S2中，将步骤S1清洗后的数据与所述高阶交互项和发电量进行皮尔森相关系数分析，筛选出具有高相关性的特征，得到基础特征组合F0。

6.根据权利要求5所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S3中，将基础特征组合F0作为第一层LightGBM树模型的输入特征。

7.根据权利要求6所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S3中，LightGBM树模型的输出结果作为新特征加入基础特征组合中，形成特征组合F1。

8.根据权利要求7所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S3中，将特征组合F1作为第二层XGBoost树模型输入特征，将基础特征组合F0作为第三层LSTM树模型的输入特征；步骤S3中，最终，将LightGBM、XGBoost与LSTM模型的预测结果进行加权融合。

9.根据权利要求1所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S4中，确定使用均方根误差为优化目标函数，反映光伏预测函数精密度。

10.根据权利要求1所述的一种基于多模型融合的短期光伏出力预测方法，其特征在于，步骤S4中，构建贝叶斯优化对象，包括优化目标函数，优化超参数组合以及其范围，输出最优超参数组合。

Images