CN114936694A - 一种基于双集成模型的光伏功率预测方法 - Google Patents

一种基于双集成模型的光伏功率预测方法 Download PDF

Info

Publication number
CN114936694A
CN114936694A CN202210543973.4A CN202210543973A CN114936694A CN 114936694 A CN114936694 A CN 114936694A CN 202210543973 A CN202210543973 A CN 202210543973A CN 114936694 A CN114936694 A CN 114936694A
Authority
CN
China
Prior art keywords
clustering
cluster
model
photovoltaic power
power prediction
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.)
Pending
Application number
CN202210543973.4A
Other languages
English (en)
Inventor
代伟
王泽宇
赵子巍
郭苏杭
石博臣
武新章
张冬冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202210543973.4A priority Critical patent/CN114936694A/zh
Publication of CN114936694A publication Critical patent/CN114936694A/zh
Pending legal-status Critical Current

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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开一种基于双集成模型的光伏功率预测方法，步骤包括：1)获取实时天气预测数据；2)分别建立基于集成聚类的气象分类模型和Stacking集成学习光伏功率预测模型；3)将实时气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果；4)将气象分类结果输入到Stacking集成学习光伏功率预测模型中，得到光伏功率预测结果。本发明利用Stacking集成框架提高了算法探寻数据周期规律和特征间非线性关系的能力，在不同天气状况下获得了更高的预测精度，得到了更为优质的预测模型。

Description

一种基于双集成模型的光伏功率预测方法
技术领域
本发明涉及人工智能算法在电力系统的应用技术领域，具体是一种基于双集成模型的光伏功率预测方法。
背景技术
随着全球各国对清洁能源需求的增长，光伏发电在电力行业的地位与日俱增。然而光伏发电波动性大，高比例接入电网会给系统运行带来冲击和安全隐患。光伏功率预测能够辅助调整调度策略，降低对电网波动的负面影响。因此，提高光伏功率预测精度，对维护电力系统稳定运行，提高电站经济效益有重要意义。
光伏预测主要分为数据处理和算法预测两部分。数据处理常为改善异常特征或放大有效特征。为适应光伏发电受天气影响的现状，国内外学者常利用基于气象因素的相似日理论对数据样本进行聚类。天气聚类能放大同类数据的细节特征，提高预测模型对数据的适应能力。但现有模型通常只采用单一的聚类算法，忽视了算法的内在不明确性，也没有考虑异常样本对聚类的影响，存在鲁棒性低，分类不典型的问题。
发明内容
本发明的目的是提供一种基于双集成模型的光伏功率预测方法，包括以下步骤：
1)获取天气预测数据；
2)建立基于集成聚类的气象分类模型
建立基于集成聚类的基于集成聚类的气象分类模型的步骤包括：
2.1)选定基聚类器，并利用基聚类器对历史气象数据进行聚类，得到若干聚类结果；所述基聚类器包括Kmeans聚类器、GMM聚类器、AGNES聚类器和BIRCH聚类器；
所述Kmeans聚类器的基础函数公式如下所示：
Hji＝||xj-μi||2 (1)
式中，Hji为样本点xj与聚类中心的距离；μi是聚类簇Ci的均值向量；
所述GMM聚类器的基础函数公式如下所示：
Figure BDA0003649082270000011
式中，μ为均值向量，Σ是协方差矩阵，x代表n维目标数据集中的随机向量；q(x)为服从高斯分布的概率密度函数。
所述AGNES聚类器的基础函数公式分别如下所示：
Figure BDA0003649082270000021
Figure BDA0003649082270000022
Figure BDA0003649082270000023
式中，Ci和Cj为聚类簇，dist为样本间的距离计算函数；Hmin、Hmax、Havg为最小距离、最大距离、平均距离；e、f分别表示聚类簇Ci和聚类簇Cj的点。
所述BIRCH聚类器为分裂式聚类器；所述BIRCH聚类器利用高度压缩的三元特征构造聚类特征树，输出代表各聚类簇的若干树节点。
2)利用重标记法与投影法更新基聚类器的聚类结果，得到初步集成聚类簇η'1,η'2,…,η'N；
利用重标记法与投影法更新基聚类器聚类结果的步骤包括：
2.2.1)记独立工作的基聚类器为ψ1、ψ2、…、ψγ；i＝1,2,…,γ；γ为基聚类器数量；
2.2.2)利用基聚类器对目标数据集进行聚类，得到聚类结果Si＝{α(i)1,β(i)2,...,λ(i)N}；其中，α(i)1,β(i)2,...,λ(i)N为聚类簇；
2.2.3)随机选择一个基聚类器的聚类结果Si作为固定参考量，并不重复地在其余基聚类器中随机选取一组待标记量，计算固定参考量与待标记量的共享样本数，决定待标记量是否需要进行重标记，并不断迭代直至覆盖全部待标记量，得到重标记后的聚类结果S'1,S'2,…,S'γ；
其中，簇共享样本的计算矩阵ο如下所示：
Figure BDA0003649082270000024
式中，u代表参考量，v代表待标记量，c和d表示所在簇中选中的标记任务；
Figure BDA0003649082270000025
为聚类结果；
2.2.4)将聚类结果S'1,S'2,…,S'γ中的N类相似簇整合为集合ηr；相似簇是指共享样本数大于预设阈值的簇；
集合ηr如下所示：
Figure BDA0003649082270000031
式中，
Figure BDA0003649082270000032
为整合后的聚类簇；
重标记公式如下：
(u′,v′)＝argmax(u,v)∈Iο(u,v) (8)
式中，集合I＝{(u,v)|1≤u,v≤N}；(u′,v′)为重标记后的矩阵参量。
2.2.5)利用投影法对集合ηr进行重整，确保得到初步集成聚类簇η'1,η'2,…,η'N。
利用投影法对集合ηr进行重整的方法包括：以取多的形式进行重整，若存在重复的样本，则只保留一个样本，删去多余的重复样本。
2.3)基于滑动时间窗口对初步集成聚类簇η'1,η'2,…,η'N进行离群日筛选，并删除离群日。
所述离群日为窗口标准差值大于阈值ω的样本；
窗口标准差值τ如下所示：
Figure BDA0003649082270000033
式中，
Figure BDA0003649082270000034
为样本平均值；xi为样本；n为样本数量。
3)建立Stacking集成学习光伏功率预测模型；
所述Stacking集成学习光伏功率预测模型包括初级学习器和次级学习器；
所述初级学习器用于提取数据特征，构造与输入数据强相关的新数据集；
所述次级学习器用于整合新数据集或者进行权重分配，实现学习器的集成。
所述Stacking集成学习光伏功率预测模型由目标数据集训练得到；
所述目标数据集包括与发电功率有相关性的光伏特征；
所述目标数据集经过了数据清洗和归一化处理，且删除了缺失功率值数量大于阈值的日样本。
建立Stacking集成学习光伏功率预测模型的步骤包括：
3.1)输入目标数据集K＝{(a1,b1),(a2,b2),…,(an,bn)},定义初级学习器H1,H2,…,Ht，次级学习器H0；其中，a1,a2,…,an为特征，b1,b2,…,bn为标签；
3.2)将目标数据集随机均分为k组样本数量相同的子集，记为K1,K2,…,Kk；每次不重复的选取其中一个子集Ki用作测试集，生成k组含有不同测试集的数据集；i＝1,2,…,k；
3.3)遵循k折交叉验证法，将k组数据集依次放入给定的t个初级学习器，得到训练结果zmt；其中，
Figure BDA0003649082270000041
am为子集Ki中的样本；
Figure BDA0003649082270000042
为第t个初级学习器以子集Ki为测试集的结果；
3.4)合并t组学习器的训练结果，构建新数据集K′＝{(zm,ym)}；zm、ym表示学习器的训练结果。
3.5)将新数据集K′输入次级学习器，得到训练结果。
4)将气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果，并结合电站气候，建立不同气象分类下的气象模型；
5)根据天气预测数据判定预测日的天气类别，并将预测日的光伏数据输入到对应气象模型下的Stacking模型中，得到光伏功率预测结果。
本发明的技术效果是毋庸置疑的，本发明选择基于划分的Kmeans聚类、基于模型的高斯混合聚类GMM，以及基于层次的AGNES和BIRCH聚类作为基聚类，并结合重标记法和投影法融合集成，构造了基于集成思想的天气聚类模型。由此拓宽分类视角，规避随机因素，提高了聚类算法的平均性能与稳定性，解决了单一聚类难以实现的数据精细划分问题。并在模型中加入了对考虑异常样本的考虑，使得鲁棒性更高，分类更加典型。
在预测阶段，本发明利用Stacking集成框架提高了算法探寻数据周期规律和特征间非线性关系的能力，在不同天气状况下获得了更高的预测精度，得到了更为优质的预测模型。相比单一模型，Stacking集成学习模型能够汇总差异模型的不同特点，得到更为理想的效果。解决了传统算法选择局限的问题，也充分发挥了混合模型所推崇的“集思广益”的优势。
附图说明
图1为基于重标记法和投影法的集成流程；
图2为基于滑动时间窗口的离群日筛选法；
图3为基于k折交叉验证的初级学习器训练过程；
图4为不同簇数下Kmeans与GMM轮廓系数折线图；
图5为AGNES聚类的层次聚类树；
图6为Birch聚类的相关系数热力图；
图7为三类气象模型下的典型发电功率曲线；
图8为基于晴天模型的预测对比图；
图9为基于多云模型的预测对比图；
图10为基于雨天模型的预测对比图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图10，一种基于双集成模型的光伏功率预测方法，包括以下步骤：
1)获取天气预测数据；
2)建立基于集成聚类的气象分类模型
建立基于集成聚类的基于集成聚类的气象分类模型的步骤包括：
2.1)选定基聚类器，并利用基聚类器对历史气象数据进行聚类，得到若干聚类结果；所述基聚类器包括Kmeans(K均值)聚类器、GMM(Gaussian Mixture Model，高斯混合模型)聚类器、AGNES(agglomerative nesting，层次聚类)聚类器和BIRCH(balancediterative reducing and clustering using hierarchies层次聚类)聚类器；
所述Kmeans聚类器的基础函数公式如下所示：
Hji＝||xj-μi||2 (1)
式中，Hji为样本点xj与聚类中心的距离；μi是聚类簇Ci的均值向量；
所述GMM聚类器的基础函数公式如下所示：
Figure BDA0003649082270000051
式中，μ为均值向量，Σ是协方差矩阵，x代表n维目标数据集中的随机向量；q(x)为服从高斯分布的概率密度函数。
所述AGNES聚类器的基础函数公式分别如下所示：
Figure BDA0003649082270000052
Figure BDA0003649082270000053
Figure BDA0003649082270000061
式中，Ci和Cj为聚类簇，dist为样本间的距离计算函数；Hmin、Hmax、Havg为最小距离、最大距离、平均距离；e、f分别表示聚类簇Ci和聚类簇Cj的点。
所述BIRCH聚类器为分裂式聚类器；所述BIRCH聚类器利用高度压缩的三元特征构造聚类特征树，输出代表各聚类簇的若干树节点。
2)利用重标记法与投影法更新基聚类器的聚类结果，得到初步集成聚类簇η'1,η'2,…,η'N；
利用重标记法与投影法更新基聚类器聚类结果的步骤包括：
2.2.1)记独立工作的基聚类器为ψ1、ψ2、…、ψγ；i＝1,2,…,γ；γ为基聚类器数量；
2.2.2)利用基聚类器对目标数据集进行聚类，得到聚类结果Si＝{α(i)1,β(i)2,...,λ(i)N}；其中，α(i)1,β(i)2,...,λ(i)N为聚类簇；
2.2.3)随机选择一个基聚类器的聚类结果Si作为固定参考量，并不重复地在其余基聚类器中随机选取一组待标记量，计算固定参考量与待标记量的共享样本数，决定待标记量是否需要进行重标记，并不断迭代直至覆盖全部待标记量，得到重标记后的聚类结果S'1,S'2,…,S'γ；
其中，簇共享样本的计算矩阵ο如下所示：
Figure BDA0003649082270000062
式中，u代表参考量，v代表待标记量，c和d表示所在簇中选中的标记任务；
Figure BDA0003649082270000063
为聚类结果；
2.2.4)将聚类结果S'1,S'2,…,S'γ中的N类相似簇整合为集合ηr；相似簇是指共享样本数大于预设阈值的簇；
集合ηr如下所示：
Figure BDA0003649082270000064
式中，
Figure BDA0003649082270000065
为整合后的聚类簇；
重标记公式如下：
(u′,v′)＝argmax(u,v)∈Iο(u,v) (8)
式中，集合I＝{(u,v)|1≤u,v≤N}；(u′,v′)为重标记后的矩阵参量。
2.2.5)利用投影法对集合ηr进行重整，确保得到初步集成聚类簇η'1,η'2,…,η'N。
利用投影法对集合ηr进行重整的方法包括：以取多的形式进行重整，若存在重复的样本，则只保留一个样本，删去多余的重复样本。
2.3)基于滑动时间窗口对初步集成聚类簇η'1,η'2,…,η'N进行离群日筛选，并删除离群日。
所述离群日为窗口标准差值大于阈值ω的样本；
窗口标准差值τ如下所示：
Figure BDA0003649082270000071
式中，
Figure BDA0003649082270000072
为样本平均值；xi为样本；n为样本数量。
3)建立Stacking集成学习光伏功率预测模型；
所述Stacking集成学习光伏功率预测模型包括初级学习器和次级学习器；
所述初级学习器用于提取数据特征，构造与输入数据强相关的新数据集；
所述次级学习器用于整合新数据集或者进行权重分配，实现学习器的集成。
所述Stacking集成学习光伏功率预测模型由目标数据集训练得到；
所述目标数据集包括与发电功率有相关性的光伏特征；
所述目标数据集经过了数据清洗和归一化处理，且删除了缺失功率值数量大于阈值的日样本。
建立Stacking集成学习光伏功率预测模型的步骤包括：
3.1)输入目标数据集K＝{(a1,b1),(a2,b2),…,(an,bn)},定义初级学习器H1,H2,…,Ht，次级学习器H0；其中，a1,a2,…,an为特征，b1,b2,…,bn为标签；
3.2)将目标数据集随机均分为k组样本数量相同的子集，记为K1,K2,…,Kk；每次不重复的选取其中一个子集Ki用作测试集，生成k组含有不同测试集的数据集；i＝1,2,…,k；
3.3)遵循k折交叉验证法，将k组数据集依次放入给定的t个初级学习器，得到训练结果zmt；其中，
Figure BDA0003649082270000073
am为子集Ki中的样本；
Figure BDA0003649082270000074
为第t个初级学习器以子集Ki为测试集的结果；
3.4)合并t组学习器的训练结果，构建新数据集K′＝{(zm,ym)}nm＝1；zm、ym表示学习器的训练结果。
3.5)将新数据集K′输入次级学习器，得到训练结果。
4)将气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果，并结合电站气候，建立不同气象分类下的气象模型；
5)根据天气预测数据判定预测日的天气类别，并将预测日的光伏数据输入到对应气象模型下的Stacking模型中，得到光伏功率预测结果。
实施例2：
一种基于双集成模型的光伏功率预测方法，该方法实现了精细化气象分类，提高了功率预测精度。首先，基于重标记法和投影法，构建了融合四种异质算法的Kmeans-GMM-AGNES-BIRCH集成聚类框架，并依据滑动时间窗口筛选离群日，建立典型气象模型；其次，基于Stacking集成学习框架，在采用k折交叉验证法规避过拟合的基础上，构建GRU-RF-XGBoost-LightGBM集成预测模型，深度挖掘光伏数据的潜在规律，实现精准预测。具体步骤概括如下：
1)导入目标数据集
利用Pearson相关系数选取与发电功率有强相关性的光伏特征，构建目标数据集。继而进行数据清洗和归一化处理，以天为单位构造样本，并将缺失功率值较多的日样本整体删除，保留日样本内部的时序特征。
2)基于预处理数据集，建立集成聚类模型
采用异质的四种聚类算法进行天气分类，并通过重标记法和投影法将算法集成，生成初始天气类型。之后利用异质算法的分类差异，基于典型度大小提取争议样本，并结合滑动窗口筛选法，剔除影响预测的离群日，最终生成N类气象模型。
3)根据天气分类进行光伏预测
参照数值天气预报，判别待预测日所属的天气类别。构建GRU-RF-XGBoost-LightGBM集成预测模型，将待预测日输入对应的Stacking预测模型，完成功率预测。
实施例3：
一种基于双集成模型的光伏功率预测方法，步骤包括：
1)导入目标数据集，进行数据预处理
利用Pearson相关系数选取与发电功率有强相关性的光伏特征，构建目标数据集。继而进行数据清洗和归一化处理，并以天为单位构造样本，将缺失功率值较多的日样本整体删除，保留日样本内部的时序特征。最终得到输入聚类的最终数据集。
2)集成聚类模型构建
单一聚类难以实现数据的精细划分，多算法集成则能拓宽分类视角，规避随机因素，提高算法的平均性能与稳定性。本发明选择基于划分的Kmeans聚类，基于模型的高斯混合聚类GMM，以及基于层次的AGNES和BIRCH聚类作为基聚类，构造集成模型。继而通过重标记法和投影法进行集合，实现精细化气象分类。
2-1)基聚类器选取
Kmeans通过更新聚类中心，不断调整样本类别，以计算样本点xj与聚类中心距离Hji的方式实现聚类。距离公式如式(1)，其中，μi是聚类簇Ci的均值向量。
Hji＝||xj-μi||2 (1)
GMM采用服从高斯分布的概率密度函数描述聚类中心，拥有灵活的划分效果，基础函数公式详见式(2)，其中，μ为均值向量，Σ是协方差矩阵，x代表n维样本中的随机向量。
Figure BDA0003649082270000091
AGNES为“由底向上”的合并式聚类算法，即通过合并距离最近的簇实现聚类，能兼顾类别中的层次关系。其距离计算使用了最小距离Hmin，最大距离Hmax以及平均距离Havg，参考式(3)-(5)，其中，Ci和Cj为聚类簇，dist为样本间的距离计算函数。
Figure BDA0003649082270000092
Figure BDA0003649082270000093
Figure BDA0003649082270000094
BIRCH与AGNES同属于层次聚类。但BIRCH是“自上而下”的分裂式聚类，可以识别噪音点，对数据集进行预处理。该算法利用高度压缩的三元特征构造聚类特征树，最终输出的是代表各聚类簇的若干树节点。
2-2)基于重标记法与投影法的聚类集成方法
由于本模型中使用的集成方法要求基聚类器拥有相同的聚类簇数。因此在进行聚类计算前，需根据上述四种聚类的算法属性，利用轮廓系数、层次聚类树和热力图来评判不同簇数下的聚类质量，确定基聚类器的簇数N。再利用重标记法，赋予重叠度大的簇同样的标记，实现相似簇的标记校正；随后采用投影法，将标记相同的簇合并，获得初始集类别；并引入离群日筛选法，归类争议样本，删除无意义的边缘化样本，最终获得三种典型气象类型。
重标记法步骤如下。定义独立工作的基聚类器为ψ1,ψ2,…,ψγ，均按照N簇展开聚类，得到结果
Figure BDA0003649082270000101
其中α1,β2,…,λN为聚类簇，代表基聚类器下的聚类结果。但由于聚类算法隶属无监督学习，不同算法产生的簇不能直接比较，例如α1 (1)与α1 (2)可能相差甚远。重标记法可使γ种基聚类下的相似簇获得相同的标记，如将与α1 (1)相似的簇重标记为α1 (2),α1 (3),…,α1 (γ)。操作方法为，随机选择某基聚类器的聚类结果Si作为固定参考量，并不重复地在其余基聚类器中每次随机选取一组待标记量。然后计算固定参考量与待标记量的共享样本数，决定待标记量是否需要进行重标记(对应图1，重标记的目标为，相似聚类簇拥有近似颜色，因此初始状态下所含数据相似但颜色不同的簇需要进行重标)，并不断迭代直至覆盖全部待标记量。簇共享样本的计算矩阵ο如式(6)。其中，u代表参考量，v代表待标记量，c和d表示所在簇中选中的标记任务。决定是否进行重标记的公式如式(7)，I＝{(u,v)|1≤u,v≤N}，最终得到重标记后的聚类结果为S'1,S'2,…,S'γ。
Figure BDA0003649082270000102
(u′,v′)＝argmax(u,v)∈Iο(u,v) (7)
Figure BDA0003649082270000103
接着，将S'1,S'2,…,S'γ中的N类相似簇整合为集合ηr，形如式(8)，再使用投影法，对其进行加工。该方法分别将相似簇η1,η2,…,ηN中的样本以“取多”的形式进行重整，将重复的样本只保留一个，确保相似簇中的样本独一无二。该方法类似将可视化后的聚类簇点图叠放，自上而下垂直投影，取所有投影点为最终结果，由此得到初步集成聚类簇η'1,η'2,…,η'N。其中，聚类簇η'r(r＝1,2,…,N)之间，存在相同样本，这种将争议样本暂归入多个聚类簇中的方法，赋予了争议样本被多次考量的可能，从而提高了样本利用率。
2-3)基于滑动时间窗口的离群日筛选法
初步集成后，处理聚类簇η'r(r＝1,2,…,N)中的争议样本，筛选并删除其中的离群日。离群日特指波动异常或边缘化的争议样本，需根据典型度进行定位。异质聚类算法的归类差异可以反应样本典型度，样本典型度的数值即为初步集成簇η'1,η'2,…,η'N中各个样本出现的次数。首先，定义样本典型度为σ，遍历簇η'r(r＝1,2,…,N)，得到各样本的典型度。由本研究的聚类簇数可得，σ最高为4，若σ>2则样本典型，其余为离群日。此时，聚类结果Si(i＝1,2,…,γ)亦可表示为Si＝{Ai,Bi},i＝1,2,…,γ，Ai和Bi分别为典型日集合和离群日集合。
为进一步加强离群日选取的严谨性，减轻异质算法多样性带来的附加后果，本发明采用滑动时间窗口法剖析数据，进一步遴选离群日。光伏日样本的采样周期短，数据量大，应先进行数据压缩。在概率统计中，标准差可以衡量数据间的离散程度，反应数据波动，样本xi的标准差τ计算公式如下。
Figure BDA0003649082270000111
但标准差不能刻画波动细节，因此引入标准差运作滑动时间窗口，将相邻样本的波动情况数值化，方法如图2。滑动时间窗口法自日样本1开始，设置相邻3天为一个窗口，由前向后依次滑动，不断构建新窗口直至样本n。然后逐一计算以上n-2个窗口的标准差，用于后续筛选。新的标准差代表相邻样本的波动情况，扩大了观测数据的相对视角，提高了筛选标准，有利于增强选取离群日的严谨性。计算完成后，设定阈值ω衡量窗口标准差值，并绘制样本曲线图，结合图像判定阈值ω>0.1的样本为异常样本，进而锁定并删除离群日集合Ω。
3)建立Stacking集成学习光伏功率预测模型
Stacking是一种融合模型，一般分为两层。第一层为初级学习器，通常选用异质算法，用于提取数据特征，构造与输入数据强相关的新数据集。第二层为次级学习器，数量为1，用于整合新数据集或者进行权重分配，实现学习器的集成。因此次级学习器需有较强的泛化能力。
在简单集成架构中，测试集会造成数据浪费。但Stacking中的初级学习器采用k折交叉验证法划分数据，能够确保每次运算围绕不同数据集展开，提高了数据利用率。Stacking具体流程如下。
(a)输入数据集K＝{(a1,b1),(a2,b2),…,(an,bn)},定义初级学习器H1,H2,…,Ht，次级学习器H0。其中，a1,a2,…,an为特征，b1,b2,…,bn为标签。
(b)将目标数据集随机均分为k组样本数量相同(或相近)的子集K1,K2,…,Kk。每次不重复的选取其中一个Ki(i＝1,2,…,k)用作测试集，生成k组含有不同测试集的数据集。若定义
Figure BDA0003649082270000121
为Ki对应的训练集，则此时K＝Ki
Figure BDA0003649082270000122
(c)遵循k折交叉验证法，将k组数据集依次放入给定的t个初级学习器，则
Figure BDA0003649082270000123
对应第t个初级学习器以Ki为测试集的结果，训练过程如图3所示。
(d)对Ki中的样本am，令
Figure BDA0003649082270000124
则am产生的所有样本zm＝(zm1；zm2；…；zmt)。合并t组学习器的训练结果，构建新数据集K′＝{(zm,ym)}nm＝1；
(e)将K′输入次级学习器，得到训练结果。
集成学习由现有算法组成，算法的组合决定了预测的优劣。原则上，学习器不仅要保证算法本身的准确性，还要兼顾与其他学习器的差异性，实现优缺互补。门控循环单元GRU的短期记忆功能适用于时序数据处理。其中的更新门和重置门可以甄别和保留重要信息，决定当前的信息调用。同时，GRU模型简单，适于构建大型网络。RF的基本单元为CART树，CART树能在随机采样的前提下，利用简单平均法实现回归。其超参数少，模型稳健，善于处理高维数据，并能在一定程度上无视杂乱数据。XGBoost是专注于精度提升的并行优化算法。XGBoost基于GBDT算法原理，加入了目标函数的二次泰勒展开项和模型复杂度正则项，减小了与实际数据的差值。LightGBM采用HistoGram算法和带有深度限制的leaf-wise策略，计算速度较原算法提升了10倍，内存降为原来的1/8，不会给集成学习造成内存负担。以上算法相互异质，学习能力强，运行速度可观，适用光伏时序数据集，是初级学习器的上佳之选。次级学习器中含有初级学习器抽取的新特征，发生过拟合的几率更大，因此常选用具有全方位优化能力的算法。常用算法包括：处理数据快速直接的线性回归，善于处理高维数据的RF。鉴于初级学习器的训练时间较长，为保证效率，本文的次级学习器选定为线性回归。
实施例4：
一种基于双集成模型的光伏功率预测方法的实验，内容如下：
本发明的技术路线可分为两大步，其中，集成聚类模型运用于气象分类，集成预测模型致力于精度提升。在数据优化层面，集成聚类模型利用重标记法同步了基聚类算法得出的相似类别，并通过投影法实现初步结合；其次引入滑动时间窗口对影响训练的离群日进行筛选剔除，由此提高了聚类的质量和鲁棒性，实现天气分类。在算法创新层面，集成预测模型利用Stacking集成学习框架，将四种配适光伏时序数据的异质人工智能算法通过次级学习器融合，并在输入模型前，采用k折交叉验证法进行数据处理，避免了过拟合问题，最终实现了对光伏数据的多角度分析。后经实验证明，双集成模型的预测精度相较于传统模型有显著提升。结合具体实施方案，进一步说明如下。
1)基础数据准备
本发明技术设施数据来自澳大利亚中部一座1.8MW的太阳能电站。数据集采集周期为5min，涵盖了电力、气象以及设备参数等特征，但不同的特征对光伏出力影响程度不同。因此仿真利用Pearson系数计算光伏功率与其他特征的关联程度。其公式如下：
Figure BDA0003649082270000131
选用表1中Pearson系数大于0.5的特征作为输入数据。并截取归一化后的2019年1月至2021年9月每日6：00至19：00共157个数值点作为训练集，2021年10月为测试集。
表1光伏特征与发电功率的Pearson相关系数
Figure BDA0003649082270000132
为全面评判预测性能，本研究从误差、模型和拟合三个角度确定了三种评价指标。均方根误差yRMSE描述预测值与真实值的误差；平均绝对百分比误差yMAPE代表模型优劣，0％表示模型完美；确定系数
Figure BDA0003649082270000141
表征拟合好坏，1则表示拟合完美。预测值为
Figure BDA0003649082270000142
真实值为y，则指标公式如下。
Figure BDA0003649082270000143
Figure BDA0003649082270000144
Figure BDA0003649082270000145
2)建立基于集成聚类的天气分类模型
集成聚类要求四种算法对同一组数据展开运算，若聚类簇数不同会导致结果合并无法进行。而且，异质算法的多元化更加要求研究者对簇数的选取展开研究和评估。在本文的四种聚类中，Kmeans与GMM聚类隶属K均值聚类，可利用轮廓系数来评判不同聚类簇数下的效果；AGNES和Birch属于层次聚类，层次聚类树是查看聚类情况的有效方式。
轮廓系数是经典的聚类评价指标之一，可以对结果的有效性进行验证。它衡量的是某个点与其所属类别的相似程度，取值范围为-1到1，值越大表示效果越好。在Python仿真软件中，使用silhouette_score函数可确定不同簇下聚类结果的silhouette得分均值，最后得到Kmeans与GMM的轮廓系数如图4。同时结合图5和图6，最终确定聚类簇数为3，于是按照三类的划分完成集成聚类后，在实现离群日剔除的基础上，得到三类典型气象日曲线如图7。
分析图7。由于数据集所在地太阳辐射强，在有云层的情况下仍有可观的发电量，因此晴天和多云模型的光伏出力曲线较为接近。三种模型的功率曲线整体呈峰型，对应了光伏发电与太阳辐射密切相关的特点。此外，由于澳大利亚属大陆性气候，降雨稀少，从在数据集中的占比来看，雨天模型的样本数量仅占数据集的7％，晴天和多云模型占比很高，分别为47％和46％。
3)预测光伏发电功率的Stacking集成学习模型
在气象分类的基础上，进行Stacking集成算法与传统算法预测的对比实验，得到预测结果如表2。结合图8-图10的曲线，可知Stacking集成算法能够较准确的预知功率波动，三类气象模型的预测功率曲线与真实功率曲线贴合度较高。具体分析如下。
表2传统算法与Stacking算法的预测效果对比
Figure BDA0003649082270000151
图8为晴天模型下的日预测曲线。该曲线整体符合中午高，日出日落低的平滑峰型模式，功率突变情况少，随机波动幅度不大，是相对稳定的天气模型。对比其他算法，Stacking模型下的预测曲线能够最好地逼近真实功率值，误差最小。相比LSTM、CNN-LSTM、SVR以及BP算法，Stacking的yRMSE指标分别减小了1.458、1.120、10.719和13.847，yMAPE分别降低了2.102、1.969、4.668和4.902。
图9为多云模型下的日预测曲线。多云模型下的功率预测曲线也呈现一定的峰谷状。但由于受云层运动影响大，太阳辐射不稳定，与晴天模型相比，某些时段的曲线有锯齿状特征。相比其他算法，Stacking模型的预测值更为优越性，三类指标仍为最优。结合晴天模型可得，SVR和BP算法与光伏功率预测的配适程度较低，预测结果严重偏离了真实发电功率。
图10为雨天模型下的日预测曲线。雨天时的发电功率曲线相对贴合中间高，两边低的走势，但发电功率的随机波动性很大，幅值也明显低于晴天模型和多云模型。对比其他四种算法，Stacking算法的预测精度最高，SVR和BP算法的预测曲线与模型曲线贴合度最低。四种算法与Stacking的yRMSE指标分别相差了1.458、1.120、10.719和13.847，yMAPE分别降低了2.102、1.969、4.668和4.902。
面对原始光伏数据中的异常值、非典型值，以及功率预测效果不达标的现象。本发明有针对性的提出双集成光伏功率预测模型。同传统方法相比，该模型利用重标记和投影的集成思想，获取了更全面的气象聚类，并将其中的争议样本基于滑动时间窗口做了精细化处理，得到了更优的气象模型。其次，通过Stacking集成学习框架，结合正确的学习器取舍，取得了比单个学习器更好的预测效果，提高了预测准确率。

Claims (10)

1.一种基于双集成模型的光伏功率预测方法，其特征在于，包括以下步骤：
1)获取所述天气预测数据。
2)分别建立基于集成聚类的气象分类模型和Stacking集成学习光伏功率预测模型。
3)将气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果，并结合电站气候，建立不同气象分类下的气象模型；
4)根据天气预测数据判定预测日的天气类别，并将预测日的光伏数据输入到对应气象模型下的Stacking模型中，得到光伏功率预测结果。
2.根据权利要求1所述的一种基于双集成模型的光伏功率预测方法，其特征在于，建立基于集成聚类的基于集成聚类的气象分类模型的步骤包括：
1)选定基聚类器，并利用基聚类器对历史气象数据进行聚类，得到若干聚类结果；
2)利用重标记法与投影法更新基聚类器的聚类结果，得到初步集成聚类簇η'1,η'2,…,η'N；
3)基于滑动时间窗口对初步集成聚类簇η'1,η'2,…,η'N进行离群日筛选，并删除离群日。
3.根据权利要求2所述的一种基于双集成模型的光伏功率预测方法，其特征在于，所述基聚类器包括Kmeans聚类器、GMM聚类器、AGNES聚类器和BIRCH聚类器；
所述Kmeans聚类器的基础函数公式如下所示：
Hji＝||xj-μi||2 (1)
式中，Hji为样本点xj与聚类中心的距离；μi是聚类簇Ci的均值向量；
所述GMM聚类器的基础函数公式如下所示：
Figure FDA0003649082260000011
式中，μ为均值向量，Σ是协方差矩阵，x代表n维目标数据集中的随机向量；q(x)为服从高斯分布的概率密度函数。
所述AGNES聚类器的基础函数公式分别如下所示：
Figure FDA0003649082260000012
Figure FDA0003649082260000021
Figure FDA0003649082260000022
式中，Ci和Cj为聚类簇，dist为样本间的距离计算函数；Hmin、Hmax、Havg为最小距离、最大距离、平均距离；e、f分别表示聚类簇Ci和聚类簇Cj的点。
所述BIRCH聚类器为分裂式聚类器；所述BIRCH聚类器利用高度压缩的三元特征构造聚类特征树，输出代表各聚类簇的若干树节点。
4.根据权利要求2所述的一种基于双集成模型的光伏功率预测方法，其特征在于，利用重标记法与投影法更新基聚类器聚类结果的步骤包括：
1)记独立工作的基聚类器为ψ1、ψ2、…、ψγ；i＝1,2,…,γ；γ为基聚类器数量；
2)利用基聚类器对目标数据集进行聚类，得到聚类结果Si＝{α(i)1,β(i)2,...,λ(i)N}；其中，α(i)1,β(i)2,...,λ(i)N为聚类簇；
3)随机选择一个基聚类器的聚类结果Si作为固定参考量，并不重复地在其余基聚类器中随机选取一组待标记量，计算固定参考量与待标记量的共享样本数，决定待标记量是否需要进行重标记，并不断迭代直至覆盖全部待标记量，得到重标记后的聚类结果S'1,S'2,…,S'γ；
其中，簇共享样本的计算矩阵ο如下所示：
Figure FDA0003649082260000023
式中，u代表参考量，v代表待标记量，c和d表示所在簇中选中的标记任务；
Figure FDA0003649082260000024
为聚类结果；
4)将聚类结果S'1,S'2,…,S'γ中的N类相似簇整合为集合ηr；相似簇是指共享样本数大于预设阈值的簇；
集合ηr如下所示：
Figure FDA0003649082260000025
式中，
Figure FDA0003649082260000026
为整合后的聚类簇；
5)利用投影法对集合ηr进行重整，确保得到初步集成聚类簇η'1,η'2,…,η'N。
5.根据权利要求4所述的一种基于双集成模型的光伏功率预测方法，其特征在于，重标记公式如下：
(u′,v′)＝argmax(u,v)∈Iο(u,v) (8)
式中，集合I＝{(u,v)|1≤u,v≤N}；(u′,v′)为重标记后的矩阵参量。
6.根据权利要求5所述的一种基于双集成模型的光伏功率预测方法，其特征在于，利用投影法对集合ηr进行重整的方法包括：以取多的形式进行重整，若存在重复的样本，则只保留一个样本，删去多余的重复样本。
7.根据权利要求4所述的一种基于双集成模型的光伏功率预测方法，其特征在于，所述离群日为窗口标准差值大于阈值ω的样本；
窗口标准差值τ如下所示：
Figure FDA0003649082260000031
式中，
Figure FDA0003649082260000032
为样本平均值；xi为样本；n为样本数量。
8.根据权利要求1所述的一种基于双集成模型的光伏功率预测方法，其特征在于，所述Stacking集成学习光伏功率预测模型包括初级学习器和次级学习器；
所述初级学习器用于提取数据特征，构造与输入数据强相关的新数据集；
所述次级学习器用于整合新数据集或者进行权重分配，实现学习器的集成。
9.根据权利要求8所述的一种基于双集成模型的光伏功率预测方法，其特征在于，所述Stacking集成学习光伏功率预测模型由目标数据集训练得到；
所述目标数据集包括与发电功率有相关性的光伏特征；
所述目标数据集经过了数据清洗和归一化处理，且删除了缺失功率值数量大于阈值的日样本。
10.根据权利要求9所述的一种基于双集成模型的光伏功率预测方法，其特征在于，建立Stacking集成学习光伏功率预测模型的步骤包括：
1)输入目标数据集K＝{(a1,b1),(a2,b2),…,(an,bn)},定义初级学习器H1,H2,…,Ht，次级学习器H0；其中，a1,a2,…,an为特征，b1,b2,…,bn为标签；
2)将目标数据集随机均分为k组样本数量相同的子集，记为K1,K2,…,Kk；每次不重复的选取其中一个子集Ki用作测试集，生成k组含有不同测试集的数据集；i＝1,2,…,k；
3)遵循k折交叉验证法，将k组数据集依次放入给定的t个初级学习器，得到训练结果zmt；其中，zmt＝H(i)t(am)；am为子集Ki中的样本；
Figure FDA0003649082260000041
为第t个初级学习器以子集Ki为测试集的结果；
4)合并t组学习器的训练结果，构建新数据集K′＝{(zm,ym)}；zm、ym表示学习器的训练结果。
5)将新数据集K′输入次级学习器，得到训练结果。
CN202210543973.4A 2022-05-18 2022-05-18 一种基于双集成模型的光伏功率预测方法 Pending CN114936694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210543973.4A CN114936694A (zh) 2022-05-18 2022-05-18 一种基于双集成模型的光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210543973.4A CN114936694A (zh) 2022-05-18 2022-05-18 一种基于双集成模型的光伏功率预测方法

Publications (1)

Publication Number Publication Date
CN114936694A true CN114936694A (zh) 2022-08-23

Family

ID=82864115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210543973.4A Pending CN114936694A (zh) 2022-05-18 2022-05-18 一种基于双集成模型的光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN114936694A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577857A (zh) * 2022-11-15 2023-01-06 南方电网数字电网研究院有限公司 能源系统出力数据预测方法、装置和计算机设备
CN117493921A (zh) * 2024-01-03 2024-02-02 智洁云服(大连)信息技术有限公司 基于大数据的人工智能节能管理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577857A (zh) * 2022-11-15 2023-01-06 南方电网数字电网研究院有限公司 能源系统出力数据预测方法、装置和计算机设备
CN117493921A (zh) * 2024-01-03 2024-02-02 智洁云服(大连)信息技术有限公司 基于大数据的人工智能节能管理方法及系统
CN117493921B (zh) * 2024-01-03 2024-03-19 智洁云服(大连)信息技术有限公司 基于大数据的人工智能节能管理方法及系统

Similar Documents

Publication Publication Date Title
WO2018045642A1 (zh) 一种母线负荷预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN101315670B (zh) 特定被摄体检测装置及其学习装置和学习方法
CN101383023B (zh) 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN114936694A (zh) 一种基于双集成模型的光伏功率预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN115270965B (zh) 一种配电网线路故障预测方法和装置
CN108830423B (zh) 一种基于预报域的年径流预测方法
CN107730059A (zh) 基于机器学习的变电站电量趋势预测分析的方法
CN110717610B (zh) 一种基于数据挖掘的风电功率预测方法
CN107301604A (zh) 多模型融合评价系统
CN109636063A (zh) 一种短期负荷预测的方法
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN112418485A (zh) 基于负荷特性和用电行为模式的家庭负荷预测方法及系统
CN115809719A (zh) 一种基于形态聚类的短期负荷预测修正方法
Agga et al. Short-term load forecasting: based on hybrid CNN-LSTM neural network
CN116797274A (zh) 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN115983095A (zh) 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法
CN114897260A (zh) 基于lstm神经网络的短期风速预测模型建模方法及预测方法

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