CN116485139A - 一种基于多特征融合的短期光伏发电量预测方法 - Google Patents
一种基于多特征融合的短期光伏发电量预测方法 Download PDFInfo
- Publication number
- CN116485139A CN116485139A CN202310463600.0A CN202310463600A CN116485139A CN 116485139 A CN116485139 A CN 116485139A CN 202310463600 A CN202310463600 A CN 202310463600A CN 116485139 A CN116485139 A CN 116485139A
- Authority
- CN
- China
- Prior art keywords
- power generation
- model
- photovoltaic power
- feature fusion
- data
- 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 62
- 238000010248 power generation Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 10
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多特征融合的短期光伏发电量预测方法，包括步骤：S1.分析影响光伏发电的相关因素，采用光伏领域特征融合和高阶特征融合方法，将峰值距离、组件温差、电压、发电效率、功率、辐照度、入射角度、气压、光照时长、空气温度和空气湿度这11个有效特征，经过多次线性‑非线性组合操作之后形成的62个高度抽象的有效特征，扩充特征数据集；S2.利用XGBoost、LightGBM和ConvLSTM模型，对扩充后的有效特征数据集进行时空特征的提取；S3.利用自适应权重法混合3种模型的提取结果，进行发电量预测。本发明能够使光伏场站多重数据分析项目中的光伏预测部分的准确性进行提升优化，从而满足光伏功率预测功能的指标要求和考核要求。
Description
技术领域
本发明涉及清洁能源行业中光伏发电功率预测领域，尤其涉及一种基于多特征融合的短期光伏发电量预测方法。
背景技术
随着光伏发电技术的不断进步，光伏获得了大规模的发展与应用，光伏发电规模呈爆发式增长，对有效改善当前日益恶劣的环境污染压力起到了很好的作用。光伏大规模接入电网，可以有效改善末端电网的电能质量问题，提高电网运行的经济型，但是由于光伏出力的不确定性，同样在一定程度上存在恶化电网运行水平指标的风险，针对此问题，对光伏的输出功率进行合理预测，在光伏接入电网之前对其输出功率进行合理控制，一定程度上减少了电网运行过程中的波动不确定性，给电网调度运行减轻了压力，为促进风、光等清洁能源稳步有序发展提供强劲有利的技术支撑。
光伏发电功率出具有明显的间歇波动特性，大规模光伏发电接入会给电网安全稳定运行带来一定冲击。随着各地风电、光伏等可再生能源比例的增加，弃风、弃光现象进一步增加。光伏发电未来功率趋势分析是解决此问题的关键技术之一。目前光伏发电量预测方法主要分为直接法和间接法。间接法利用光伏电池发电原理将太阳辐射量转换为输出功率，但模型依赖光伏电站详细设计数据及光电转换参数，鲁棒性较差；直接法包括统计预测法、人工智能预测法、混合模型预测法。统计法根据天气、太阳辐射等历史数据，通过曲线拟合、参数估计等方法构建模型，由于模型依赖大量历史有效数据，预测效果一般，难以满足需求。
发明内容
本发明要解决的技术问题在于提供一种基于多特征融合的短期光伏发电量预测方法，能够使光伏场站多重数据分析项目中的光伏预测部分的准确性进行提升优化，从而满足光伏功率预测功能的指标要求和考核要求。
本发明采用如下技术方案来实现的：
一种基于多特征融合的短期光伏发电量预测方法，包括以下步骤：
S1.分析影响光伏发电的相关因素，采用光伏领域特征融合和高阶特征融合方法，将原有峰值距离、组件温差、电压、发电效率、功率、辐照度、入射角度、气压、光照时长、空气温度和空气湿度这11个有效特征，经过多次线性-非线性组合操作之后形成的62个高度抽象的有效特征，扩充特征数据集；
S2.利用XGBoost、LightGBM和ConvLSTM模型，对扩充后的特征数据集进行时空特征的提取；
S3.利用自适应权重法混合3种模型的提取结果，进行发电量预测。
本发明进一步的改进在于，步骤S1所述的光伏领域特征融合和高阶特征融合方法，包括对数据集进行异常值判定，考虑到数据具有时序性和季节性，利用前、后填充的方法进行异常值处理，并对数据进行归一化处理；使用Pearson、Spearman、Kendall算法计算数据集中各特征与发电量的相关性系数，取绝对值后筛选相关系数均大于0.1的特征变量，共11个有效特征；利用光伏领域特征融合新特征，并选取关键特征，采用高阶特征融合的方法融合新特征；按照有效特征筛选方式从新特征集中筛选出62个有效特征。
本发明进一步的改进在于，步骤S1中，采取Min-Max归一化对数据进行处理，对应的计算公式为：
式中：
xi为初始数据；
xmin为最小值；
xmax为最大值；
x′为归一化后的值。
本发明进一步的改进在于，步骤S2所述的提取时空特征方法包括：建立XGBoost树模型、LightGBM树模型和ConvLSTM神经网络模型。
本发明进一步的改进在于，步骤S3所述的自适应权重法，包括：根据光伏发电量的影响因素，将此类影响因素作为模型输入，通过Dense层分别为3种模型的输出赋予不同的权重，然后通过Add层将3种模型配权后的值线性相加得到光伏发电量的预测值。
本发明进一步的改进在于，光伏发电量的影响因素包括气候、硬件性能和发电运行情况。
本发明进一步的改进在于，步骤S3中，利用自适应权重法混合3种模型时，采用的混合模型算法的具体步骤如下：
1)利用XGBoost模型对数据预测得到
2)利用LightGBM模型对数据预测得到
3)利用ConvLSTM模型对数据预测得到
4)自适应权重部分，初始化参数α、β、γ、λ、epochs；
5)通过公式和批量梯度下降法迭代训练模型权重α、β、γ；
6)利用步骤5)中得到的权重作为混合模型中单模型权重分配，线性相加得到
本发明进一步的改进在于，光伏发电量主要受到气候、硬件性能和发电运行情况因素影响，采用这些影响因素作为模型输入，即Xt(t∈[1,n])，XGBoost模型对数据Xt预测结果为LightGBM模型对数据Xt预测结果为/>ConvLSTM模型对数据Xt预测结果为/>自适应权重模块首先通过Dense层分别为3种模型的输出赋予不同的权重α、β、γ后得到然后通过Add层将3种模型配权后的值线性相加得到光伏发电量预测值
在混合模型学习训练的同时利用批量梯度下降迭代法求得最优参数，迭代过程中，α、β、γ分别为XGBoost、LightGBM和ConvLSTM的权重，范围为0～1，初始值随机；入为迭代步长，设置为0.01；epochs为模型训练周期，设置为1000，利用历史数据对其进行多轮训练后，即可进行实际光伏功率预测。
本发明至少具有如下有益的技术效果：
本发明提出的XG-LG-CL混合模型误差较传统机器学习算法可减少0.037～0.394误差，提高0.027～0.221预测准确率。此模型在特征融合后的数据集上测试，误差可减小至0.131，准确率可提高至0.884，进一步验证了“特征融合”的有效性。准确率的提高能够有效的帮助电网调度部门做好各类电源的调度计划，在实现并网安全运行的情况下，使光伏电站的发电计划安排更加的高效，同时，更能使光伏电站检修工作得到合理安排，提高光伏电站运营管理效果。
附图说明
图1是本发明的一种基于多特征融合的短期光伏发电量预测方法的总体流程示意图。
图2是光伏场站发电量预测模型结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，通过分析影响光伏发电的相关因素，采用光伏领域特征融合和高阶特征融合方法将原有11个有效特征增加至62个有效特征，并建立有效的数据分析模型，提取光伏场站发电功率的时空特性，并采用自适应权重法混合3种模型，实现光伏场站的短期光伏发电量预测。
图1是本发明提供的一种基于多特征融合的短期光伏发电量预测方法的总体流程示意图。
该方法包括：
S1.分析影响光伏发电的相关因素，采用光伏领域特征融合和高阶特征融合方法，将峰值距离、组件温差、电压、发电效率、功率、辐照度、入射角度、气压、光照时长、空气温度和空气湿度这11个有效特征，经过多次线性-非线性组合操作之后形成的62个高度抽象的有效特征，扩充特征数据集
S2.利用XGBoost、LightGBM和ConvLSTM模型，对扩充后的有效特征数据集进行时空特征的提取；
S3.利用自适应权重法混合3种模型的提取结果，进行发电量预测。
作为本发明的一种实施例，为提高数据有效性，本发明设计了考虑到时序性和季节性等特点的数据清洗算法，对输入的异常数值进行处理。数据在采集和传输的过程中会存在数据异常和缺失问题，本发明利用公式：平均值±3×标准差来判断异常值，采用前值填充的方法处理异常值。
而数据集中不同特征的数值单位未统一的情况，则需要进行归一化处理，将不同特征统一取值为0～1之间，本发明采取Min-Max归一化对数据进行处理，对应的计算公式为：
式中：
xi为初始数据；
xmin为最小值；
xmax为最大值；
x′为归一化后的值。
作为本发明的一种实施例，考虑到光伏发电领域特征可能受到现场环境、地理位置、设备状态等多种因素影响，所以需对不同影响因素进行特征相关性分析。
1)峰值距离
根据光伏发电量与时间周期性变化规律，新定义一个距离周期内峰值距离(mid-peak)的特征。根据地区位置、太阳光照周期的普遍特性，发电量一般在12:00—14:00区间附近最大，取这个区间的时间序列数据距离作为新特征。
2)温差
光伏组件表面温度、现场温度和发电量变化趋势均呈周期性变化，且具有一定的相关联系，为了降低光伏组件表面温度和现场温度在低值区出现的偏差，经过多次数据分析，最终发现光伏组件表面温度与现场温度的差值与发电量之间呈很强的正相关特性。
3)电压/效率
光伏组件上太阳辐照度直接影响发电量，但因一天中日照角度的改变，太阳辐照度并不会直接反映出板上的所受辐照度。而转换效率会直接影响发电量，转化效率为输出功率/日照功率，而电压会直接影响输出功率，所以电压间接影响转换效率。
高阶特征是经过多次线性-非线性组合操作之后形成的高度抽象特征。本发明中经过实验证明，原始变量利用多项式回归的方法生成2次高阶项和交互项，可提高模型的预测效果。以A、B作为输入单特征变量，利用高阶特征融合生成2次高阶项和交互项A0×B0、A1×B0、A0×B1、A2×B0、A1×B1、A0×B2。通过对比实验分析，采用3个单模型XGBoost、LightGBM、ConvLSTM和本发明提出的混合模型XG-LG-CL分别在0～6次高阶阶数特征融合后的数据集上进行测试和对比分析，发现当高阶阶数为2时，模型效果最优。
模型混合方式
光伏发电量预测是一个基于连续目标变量回归的问题，常用的多元回归模型、GBDT、XGBoost、LSTM等模型都能有效解决此类问题，但不同的单模型在数据处理的过程和原理上存在一定差异，得到的预测结果不同，为了结合不同模型的优点，将XGBoost、LightGBM这2种树模型和ConvLSTM神经网络模型进行混合。树模型和神经网络模型产生的结果相关性较低，采用自适应权重的方法选择最优权重参数，有助于提高预测准确性，混合模型算法的具体步骤如下：
1)利用XGBoost模型对数据预测得到
2)利用LightGBM模型对数据预测得到
3)利用ConvLSTM模型对数据预测得到
4)自适应权重部分，初始化参数α、β、γ、λ、epochs；
5)通过公式和批量梯度下降法迭代训练模型权重α、β、γ；
6)利用步骤5)中得到的权重作为混合模型中单模型权重分配，线性相加得到
作为本发明的一种实施例，在完成特征相关性分析后，需要根据其权重判断各类影响因素对光伏功率预测的影响程度，考虑到光伏功率情况受到气候、硬件性能、场站运行情况等影响，需要对权重的分配进行自适应优化。
为提高混合模型的预测准确率，本发明采用自适应权重法确定混合模型权重，构造出相应的自适应权重模块。光伏发电量主要受到气候、硬件性能和发电运行情况等因素影响，采用这些影响因素作为模型输入，即Xt(t∈[1,n])，XGBoost模型对数据Xt预测结果为LightGBM模型对数据Xt预测结果为/>ConvLSTM模型对数据Xt预测结果为/>自适应权重模块首先通过Dense层分别为3种模型的输出赋予不同的权重α、β、γ后得到然后通过Add层将3种模型配权后的值线性相加得到光伏发电量预测值
在混合模型学习训练的同时利用批量梯度下降迭代法求得最优参数，迭代过程中，α、β、γ分别为XGBoost、LightGBM和ConvLSTM的权重，范围为0～1，初始值随机；入为迭代步长，设置为0.01；epochs为模型训练周期，设置为1000，利用历史数据对其进行多轮训练后，即可进行实际光伏功率预测。
图2是光伏场站发电量预测模型结构图。
本发明提出的光伏场站发电量预测模型结构如图2所示。
1)对数据集进行异常值判定，考虑到数据具有时序性和季节性，利用前、后填充的方法进行异常值处理，并对数据进行归一化处理。
2)使用Pearson、Spearman、kendall算法计算数据集中各特征与发电量的相关性系数，取绝对值后筛选相关系数均大于0.1的特征变量，共11个有效特征。
3)利用光伏领域特征融合新特征，并选取关键特征，采用高阶特征融合的方法融合新特征。
4)按照步骤2的有效特征筛选方式从新特征集中筛选出62个有效特征。
5)利用XGBoost模型对输入数据进行预测得到
6)利用LightGBM模型对输入数据进行预测得到
7)利用ConvLSTM模型对输入数据进行预测得到
8)采用自适应权重的方法为XGBoost、LightGBM和ConvLSTM模型输出结果选择最优权值，线性相加后得到最终的预测结果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (9)
1.一种基于多特征融合的短期光伏发电量预测方法，其特征在于，包括以下步骤：
S1.分析影响光伏发电的相关因素，采用光伏领域特征融合和高阶特征融合方法，将原有峰值距离、组件温差、电压、发电效率、功率、辐照度、入射角度、气压、光照时长、空气温度和空气湿度这11个有效特征，经过多次线性-非线性组合操作之后形成的62个高度抽象的有效特征，扩充特征数据集；
S2.利用XGBoost、LightGBM和ConvLSTM模型，对扩充后的特征数据集进行时空特征的提取；
S3.利用自适应权重法混合3种模型的提取结果，进行发电量预测。
2.根据权利要求1所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，步骤S1所述的光伏领域特征融合和高阶特征融合方法，包括对数据集进行异常值判定，考虑到数据具有时序性和季节性，利用前、后填充的方法进行异常值处理，并对数据进行归一化处理；使用Pearson、Spearman、Kendall算法计算数据集中各特征与发电量的相关性系数，取绝对值后筛选相关系数均大于0.1的特征变量，共11个有效特征；利用光伏领域特征融合新特征，并选取关键特征，采用高阶特征融合的方法融合新特征；按照有效特征筛选方式从新特征集中筛选出62个有效特征。
3.根据权利要求2所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，步骤S1中，采取Min-Max归一化对数据进行处理，对应的计算公式为：
式中：
xi为初始数据；
xmin为最小值；
xmax为最大值；
x′为归一化后的值。
4.根据权利要求2所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，步骤S2所述的提取时空特征方法包括：建立XGBoost树模型、LightGBM树模型和ConvLSTM神经网络模型。
5.根据权利要求4所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，步骤S3所述的自适应权重法，包括：根据光伏发电量的影响因素，将此类影响因素作为模型输入，通过Dense层分别为3种模型的输出赋予不同的权重，然后通过Add层将3种模型配权后的值线性相加得到光伏发电量的预测值。
6.根据权利要求5所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，光伏发电量的影响因素包括气候、硬件性能和发电运行情况。
7.根据权利要求4所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，步骤S3中，利用自适应权重法混合3种模型时，采用的混合模型算法的具体步骤如下：
1)利用XGBoost模型对数据预测得到
2)利用LightGBM模型对数据预测得到
3)利用ConvLSTM模型对数据预测得到
4)自适应权重部分，初始化参数α、β、γ、λ、epochs；
5)通过公式和批量梯度下降法迭代训练模型权重α、β、γ；
6)利用步骤5)中得到的权重作为混合模型中单模型权重分配，线性相加得到
8.根据权利要求7所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，光伏发电量主要受到气候、硬件性能和发电运行情况因素影响，采用这些影响因素作为模型输入，即Xt(t∈[1,n])，XGBoost模型对数据Xt预测结果为LightGBM模型对数据Xt预测结果为/>ConvLSTM模型对数据Xt预测结果为/>自适应权重模块首先通过Dense层分别为3种模型的输出赋予不同的权重α、β、γ后得到/>然后通过Add层将3种模型配权后的值线性相加得到光伏发电量预测值/>
9.根据权利要求8所述的一种基于多特征融合的短期光伏发电量预测方法，其特征在于，在混合模型学习训练的同时利用批量梯度下降迭代法求得最优参数，迭代过程中，α、β、γ分别为XGBoost、LightGBM和ConvLSTM的权重，范围为0～1，初始值随机；入为迭代步长，设置为0.01；epochs为模型训练周期，设置为1000，利用历史数据对其进行多轮训练后，即可进行实际光伏功率预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463600.0A CN116485139A (zh) | 2023-04-26 | 2023-04-26 | 一种基于多特征融合的短期光伏发电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463600.0A CN116485139A (zh) | 2023-04-26 | 2023-04-26 | 一种基于多特征融合的短期光伏发电量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485139A true CN116485139A (zh) | 2023-07-25 |
Family
ID=87222823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310463600.0A Pending CN116485139A (zh) | 2023-04-26 | 2023-04-26 | 一种基于多特征融合的短期光伏发电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485139A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
-
2023
- 2023-04-26 CN CN202310463600.0A patent/CN116485139A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104376410B (zh) | 一种配电网中分布式电源的规划方法 | |
| 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 | |
| CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
| CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
| CN110543988A (zh) | 一种基于XGBoost算法的光伏短期出力预测系统及方法 | |
| CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
| CN107368961A (zh) | 一种适用于新能源接入背景下的区域电网碳排放管理方法 | |
| CN111146821A (zh) | 一种计及光伏不确定性的dstatcom优化配置方法 | |
| WO2021129955A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
| CN113536694B (zh) | 综合能源系统鲁棒优化运行方法、系统、装置及存储介质 | |
| CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
| CN107453396A (zh) | 一种分布式光伏电源出力的多目标优化调度方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| Yasin et al. | Prediction of solar irradiance using grey Wolf optimizer least square support vector machine | |
| CN114243708A (zh) | 一种基于交流模型的输电网扩展规划优化方法 | |
| CN113536581A (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
| Song et al. | Medium and long term load forecasting considering the uncertainty of distributed installed capacity of photovoltaic generation | |
| CN117239735A (zh) | 一种基于时空卷积的风电功率预测方法 | |
| CN117474516A (zh) | 光伏系统清灰计划决策方法 | |
| CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
| Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting | |
| CN116885840A (zh) | 一种基于实时数据的分布式新能源在线监测方法及系统 | |
| Sarfi et al. | A new multi-objective economic-emission dispatch in microgrids |
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 |