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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000010354 integration Effects 0.000 title claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000002407 reforming Methods 0.000 claims description 6
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 5
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 50
- 238000010248 power generation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
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:
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:
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:
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:
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:
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;
3.4)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:
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:
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:
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:
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:
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;
3.4)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。
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。
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。
(u′,v′)=argmax(u,v)∈Iο(u,v) (7)
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。
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。若定义为Ki对应的训练集,则此时K=Ki
(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:
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
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
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
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:
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:
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:
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:
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。
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;
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。
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)
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 |
-
2022
- 2022-05-18 CN CN202210543973.4A patent/CN114936694A/zh active Pending
Cited By (3)
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 | |
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 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN106845717A (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
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 | |
CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
CN107301604A (zh) | 多模型融合评价系统 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
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 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
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 | |
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 | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
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 | |
CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 |
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 |