CN116542385A - 一种针对风、光功率预测的集成学习方法及系统 - Google Patents
一种针对风、光功率预测的集成学习方法及系统 Download PDFInfo
- Publication number
- CN116542385A CN116542385A CN202310542793.9A CN202310542793A CN116542385A CN 116542385 A CN116542385 A CN 116542385A CN 202310542793 A CN202310542793 A CN 202310542793A CN 116542385 A CN116542385 A CN 116542385A
- Authority
- CN
- China
- Prior art keywords
- power
- prediction
- predicted
- interval
- 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 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims description 14
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000007636 ensemble learning method Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提出了一种针对风、光功率预测的集成学习方法及系统,属于新能源电厂功率预测的技术领域。其中方法包括:步骤1、读取待分析的预测数据组;步骤2、计算待分析预测数据组的准确度;步骤3、根据准确度的数值划分预测功率区间;步骤4、利用一定约束条件下的均匀分布方法为每个预测功率区间生成权重;步骤5、通过点乘预测数据与权重的方式,获得集成功率向量;步骤6、对每个预测功率区间的集成功率进行评估;步骤7、根据评估结果进行重新组合,获得最优集成功率。本发明通过功率区间划分和随机权重点乘的方式,获得不同气象源和人工智能算法组合得到的最优功率预测结果,有效提高了预测精度。
Description
技术领域
本发明涉及新能源电厂功率预测的技术领域,特别涉及一种针对风、光功率预测的集成学习方法及系统。
背景技术
随着人工智能算法不断发展与更新,各种人工智能算法应用在新能源电厂的功率预测领域,并取得了预测结果精度的提升。基于不同气象源特征和人工智能算法组合的新能源功率预测算法都有着自身的优越性和局限性。
在现有的技术中,为了提高新能源功率预测的准确度和精度,通常从单一的人工智能算法优化,以及集成算法进行结果整合的两个方面实现。目前,在基于集成学习的功率预测方面,相关研究的普及面并没有很广,单一的智能算法优化又过于片面。
现有单一算法各有特色,在新能源电厂的功率预测算法中有些算法能够很好地捕捉有功率数值低于装机容量的20%的数据特征。虽然单一学习的模型优化能够一定程度上提高模型预测的能力,获得更优的功率预测结果,但是对于单一学习模型的优化更多在于放大其优势,而模型自身劣势是其固有属性很难优化。同时在人工智能算法百花齐放的时代,具备不同属性的功率预测结果资源丰富。现有的基于统计学习的集成方法,受到优化函数的制约,优化结果往往偏向在数据量较大的部分。对于新能源电厂的功率预测而言,功率数值低于装机容量的20%的数据量占有很大比重,若直接使用已有的集成学习方法,功率预测结果通常会明显小于真实功率。
发明内容
发明目的:提出一种针对风、光功率预测的集成学习方法及系统,以解决现有技术存在的上述问题。通过对不同算法的功率预测结果执行有机结合,获得更优的组合功率预测结果。一方面,进一步提升数据量较多而功率数值较小的数据段的预测稳定性;另一方面,有效提升对于数据量较少而功率数值较大的数据段的预测精度。
技术方案:第一方面,提出了一种针对风、光功率预测的集成学习方法,该方法包括以下步骤:
步骤1、读取待分析的功率预测数据组;其中,预测数据组通过采用不同预测算法获得,且彼此之间存在明显可区分的差异。
步骤2、计算待分析功率预测数据组的准确度;
步骤3、根据预测功率数值划分预测功率区间;划分预测功率区间的过程包括以下步骤:
步骤3.1、读取预测数据的准确度;
步骤3.2、选取准确度最高的一组预测数据;
步骤3.3、采用均匀划分的方式对步骤3.2得到的功率预测数据进行区间划分;
步骤3.4、按照步骤3.3的划分结果对剩余组的预测数据进行区间划分,获得预测功率区间。
步骤4、利用均匀分布为每个预测功率区间生成一定约束条件下的权重;
步骤5、通过点乘预测数据与权重的方式,获得集成功率向量;
步骤6、对每个预测功率区间的集成功率进行评估;评估过程中,采用均方根误差对每个预测功率区间的集成功率进行计算,对应的表达式为:
式中,Yi表示第i个预测功率;yi表示第i个实际功率;k表示集成功率的组数。
步骤7、根据评估结果进行重新组合,获得最优集成功率。
在第一方面的一些可实现方式中,在获得集成功率向量的过程中,针对会出现断层的功率片段现象,采用指数平滑进行修正。
第二方面,提出一种针对风、光功率预测的集成学习系统,用于实现集成学习方法,该系统包括以下模块:
用于根据应用需求读取待分析预测数据组的数据读取模块;
用于计算预测数据组预测准确度的数值计算模块;
用于根据准确度数值大小划分预测功率区间的区间划分模块;
用于利用均匀分布为每个预测功率区间生成权重的权重生成模块;
用于通过点乘预测数据与权重的方式,获得集成功率向量的功率集成模块;
用于对每个预测功率区间的集成功率进行评估的评估模块;
用于根据评估结果进行重新组合,获得最优集成功率的重组模块。
其中,区间划分模块根据数值计算模块的输出结果,首先选出准确度最高的一组预测数据,并根据数值大小将选出的一组预测数据进行区间划分,随后基于区间划分结果对剩余的预测数据组执行同样的预测区间划分。
在第二方面的一些可实现方式中,系统中还包括修正模块,该修正模块采用指数平滑的方式对断层的功率片段进行修正。
第三方面,提供了一种电子设备,该设备包括:处理器,以及存储有计算机程序指令的存储器;其中,处理器读取并执行计算机程序指令时实现第一方面或第一方面的一些可实现方式中的集成学习方法。
第四方面,提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或第一方面的一些可实现方式中的集成学习方法。
有益效果:本发明提出了一种针对风、光功率预测的集成学习方法及系统,采用集成学习的方法,通过对优秀人工智能算法取得的预测结果进行取长补短,有效捕捉不同功率区间的优秀预测结果,从而形成更加准确的功率预测结果。另外,本发明还补足了单一学习模型的短板,破解了仅从单一学习模型入手不断优化的瓶颈。
附图说明
图1为本发明的数据处理流程图。
图2为本发明的预测功率区间划分示意图。
图3为本发明的结合矩阵运算获得不同功率区间集成结果示意图。
图4为本发明的对每个功率区间的集成结果进行评估的示意图。
图5为本发明的通过平滑得到最终预测结果的示意图。
图6为获取预测功率数据组的示意图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
随着“双碳”政策的提出,风力发电、光伏发电得到快速发展,并将逐渐在国家电力系统中占据重要位置。但风力发电和光伏发电的发电能力受天气影响明显,其不确定性给电网稳定运行带来巨大挑战。现有技术在解决该问题的措施中,常采用的一个重要手段即采用人工智能技术进行风力发电、光伏发电功率预测,再结合预测功率进行电网调度调控。然而,在进行光伏发电功率预测时,通常的方法是构建预例如以辐照度、温度等为主的测气象数据和光伏电场实际发电功率数据之间的模型。但构建预测模型的方式较多,故用不同方式得到的预测功率也存在差异,即和实际功率的偏差情况各有优劣。
因此,在一个实施例中,对功率预测的准确度和精准度需求,提出一种针对风、光功率预测的集成学习方法,由于不同预测算法捕获数据特征的方式不同,推理逻辑不同,因此获得的预测结果也存在差异,所以本实施例以不同功率预测模型的预测功率作为输入,通过功率区间划分和随机权重点乘的方式,获得每个功率区间评估最优的功率预测组合,拟合对象为电场实际功率。通过集成发挥不同模型的优势,削弱预测劣势,从而达到减少预测偏差的目的,进而有效提高预测的精度。如图1所示,针对风、光功率预测的集成学习方法包括以下步骤:
步骤1、读取待分析的功率预测数据组;
具体的,功率预测数据组由不同的预测算法分析历史气象数据获得,其中历史气象数据存储在构建的数据库中。根据实际应用需求,构建用于存储不同预测算法的算法集合,并利用算法集合中的各个预测算法对数据库中的历史数据进行预测,获得未来选定时间段内的预测功率,同时将不同预测算法获得的预测功率构成预测功率数据组。
根据实际应用需求,读取N组由不同算法获得的预测功率,其中N的取值不小于3的整数,且预测功率之间具备明显的差异性。
可选地,获得预测功率的算法包括:机器学习、深度学习、统计学习,其中机器学习包括但不限于:XGB、LightGB、MLP、SVM;深度学习包括但不限于:CNN、GRU、LSTM、Wavenet、Transformer。
可选地,功率预测数据组面向的对象包括但不限于:风功率预测数据、光功率预测数据。
步骤2、计算待分析功率预测数据组的准确度;
步骤3、根据准确度的数值划分预测功率区间;
具体的,如图2所示,选取准确度数值最高的一组功率预测数据,并按照数值的大小均匀划分成M段预测功率区间;同时,以选中组为基础,将划分成M段的索引作为参考标准,并对剩余的N-1组进行预测功率区间的划分。其中M的取值优选为1到10之间的整数。优选实施例中,执行均匀划分的范围为:(功率最大值-功率最小值)/区间数,实际应用过程中,可根据具体的情况执行个性化的划分。
步骤4、利用均匀分布为每个预测功率区间生成权重;
具体的,如图3所示,为每个预测功率区间(共M个区间)中的每组预测功率数据(共N组预测功率)赋予一个权重数值。某一预测功率区间的某组权重数值获取满足以下两个约束条件:(1)单个数值是从服从(-0.1,1.1)的均匀分布中随机抽样得到的,共得到N个随机数;(2)这N个随机数的加和在0.9到1.1之间。满足以上条件的随机数,被称作集合权重。每个预测功率区间需生成k组权重,通常选择的数目范围为k>100。
步骤5、通过点乘预测数据与权重的方式,获得集成功率向量;
具体的,每个预测功率区间的k组N维权重向量分别点乘N组功率预测数据,每个区间获得如图4所示的k组集成功率。
步骤6、对每个预测功率区间的集成功率进行评估;
具体的,对于每个预测功率区间获得的k组集成功率,分别计算其均方根误差(RMSE),其中均方根误差的表达式为:
式中,Yi表示第i个预测功率;yi表示第i个实际功率;k表示集成功率的组数。
步骤7、根据评估结果进行重新组合,获得最优集成功率;
具体的,从每个区间中选取k组集成功率中均方根误差RMSE最低的区间集成功率。随后,重组全部M个预测功率区间,进而获得最优集成功率。
在进一步的实施例中,由于获得不同预测功率区间的集成功率时,会出现断层的功率片段,因此如图5所示采用指数平滑、滑动平滑等方式进行数据修正。
本实施例提出了一种针对风、光功率预测的集成学习方法,通过区间划分和随机权重点乘的方式,将不同的预测结果进行有机结合,从而获得更优的预测结果。一方面,提升了数据量较多而功率数值较小数据段的预测稳定性;另一方面,有效提升对于数据量较少而功率数值较大数据段的预测精度。另外,本实施例提出的集成学习方法,同样适用于相关时间序列预测。
本发明通过集成发挥不同模型的优势,削弱预测劣势,获得较鲁棒的预测结果;同时,将集成方法施加到若干功率段,使得不同功率段表现最优的模型获得更大贡献的机会但又不会出现偏离较大的预测结果。
另外,通过生成一定约束条件下大于1或小于0的系数,使得预测结果在特殊分布区间获得现有模型以外的更接近实际的预测结果,例如大于所有模型预测数值或低于所有模型预测数值,但更接近实际功率。
优选实施例中,如图6所示,发电功率的预测数据通过预测模型获得,通常利用历史数据输入机器学习、深度学习或统计学相关的方法中训练得到预测模型,再将未来预测数据输入训练好的模型中,进而得到未来预测功率。目前针对预测模型主流的训练方式是监督学习的方式,即构建一一对应的“输入-标签”样本训练模型,在面向风力发电模型训练时,输入数据主要是预测气象要素中的风速、风向、气压等,在构建光伏发电模型时,输入数据主要是预测气象要素中的辐照度、温度等;其中“标签”对应实际发电功率。
导致风、光功率预测出现偏差的因素不同于其他预测任务,主要有以下几点:(1)建模气象数据的选择,包括对气象要素的选择、训练数据时间段的选择等,不同策略得到的预测模型可能在预测细节上表现出差异;(2)预测算法的选择,不同算法获取特征的方式不同,推理逻辑不同,导致建模预测结果存在差异,主要表现为不同算法对不同的天气过程的预测能力存在差异;(3)风电、光伏本身的数据分布不均匀,且不同电场分布差异大,导致模型在数据量少的区域经常出现欠拟合,例如高风速/高辐照度条件下预测偏低、大风过程风电功率预测滞后/超前、阴天多云天预测偏高等,体现为模型在不同功率数值段的预测精度表现不同。由于风电、光伏预测功率的影响因素复杂,往往很难通某种方法构建某一模型实现连续高精度预测。
针对上述问题,本实施例采用一种针对风、光功率预测的集成学习方法,读取经过AI算法获得的三组风功率预测结果:p_power0、p_power1、p_power2,同时读取实际风力发电功率r_power。随后,利用RMSE对预测结果进评估,验证结果表明本发明对风功率预测的准确度相比于现有技术有较大的提升,评估数据如1、表2所示。其中,表1展示了各个方法风预测功率相对实际风功率的RMSE偏差,表2展示了本发明的集成预测风功率相对各AI算法预测风功率的预测偏差RMSE下降率。其中,RMSE偏差计算公式如下:
式中,Yi表示风预测功率,yi表示实际风功率。
偏差下降率的计算表达式为:
下降率=abs(Ri-R)/R*100%
式中,abs()表示取绝对值运算;Ri表示AI算法预测偏差RMSE数值;R表示本发明的预测偏差RMSE数值。
表1
p_power0 | p_power1 | p_power2 | p_power | |
RMSE偏差 | 7.2552 | 7.3054 | 7.3433 | 7.2304 |
表2
p_power0 | p_power1 | p_power2 | |
集成后偏差下降率 | 0.34% | 1.02% | 1.53% |
在一个实施例中,提出一种针对风、光功率预测的集成学习系统,用于实现一种针对风、光功率预测的集成学习方法,该系统包括以下模块:数据读取模块、数值计算模块、区间划分模块、权重生成模块、功率集成模块、评估模块和重组模块。
其中,数据读取模块用于根据应用需求读取待分析的预测数据组;数值计算模块用于计算数据读取模块读取到预测数据组的预测准确度;区间划分模块用于根据数值计算模块的输出结果划分预测功率区间;权重生成模块用于利用均匀分布为每个预测功率区间生成权重;功率集成模块用于通过点乘预测数据与权重的方式,获得集成功率向量;评估模块用于对每个预测功率区间的集成功率进行评估;重组模块用于根据评估结果进行重新组合,获得最优集成功率。
在进一步的实施例中,集成学习系统中还包括修正模块,该模块采用指数平滑的方式对断层的功率片段进行修正。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种针对风、光功率预测的集成学习方法,其特征在于,包括以下步骤:
构建用于存储历史气象数据的数据库;
构建算法集合;所述算法集合用于存储获取功率预测数据的不同预测算法;
利用所述算法集合中的各个预测算法对数据库中的历史数据进行预测,获得功率预测数据组;
计算功率预测数据组的准确度,以准确度最高的数据为依据,根据其功率预测数值划分预测功率区间;
利用均匀分布为每个预测功率区间生成权重,并通过点乘预测数据与权重的方式,获得集成功率向量;
对每个预测功率区间的集成功率进行评估,并根据评估结果进行重新组合,获得最优集成功率。
2.根据权利要求1所述的一种针对风、光功率预测的集成学习方法,其特征在于,所述算法集合中的预测算法包括但不限于:XGB、LightGB、MLP、SVM、CNN、GRU、LSTM、Wavenet、Transformer;
利用所述算法集合获得功率预测数据组的过程包括:依次采用不同的预测算法读取所述数据库中的历史气象数据,并对历史气象数据进行分析处理,获得未来选定时间段内的预测功率;随后将不同预测算法获得的预测功率构成预测功率数据组;
所述功率预测数据组面向的对象包括但不限于:风功率预测数据、光功率预测数据。
3.根据权利要求1所述的一种针对风、光功率预测的集成学习方法,其特征在于,划分预测功率区间的过程包括以下步骤:
计算每一组功率预测数据的准确度,并选择准确度最高的一组功率预测数据;
采用均匀划分的方式对选中的功率预测数据进行区间划分,获得M段功率区间;其中M是预设数值,取值范围是1到10的整数;
以选中的功率预测数据为基础,按照M段功率区间的索引标准,对剩余功率预测数据组进行区间划分,获得预测功率区间。
4.根据权利要求1所述的一种针对风、光功率预测的集成学习方法,其特征在于,采用均方根误差对每个预测功率区间的集成功率进行评估时;
所述均方根误差的表达式为:
式中,Yi表示第i个预测功率;yi表示第i个实际功率;K表示集成功率的组数。
5.根据权利要求1所述的一种针对风、光功率预测的集成学习方法,其特征在于,利用均匀分布为每个预测功率区间生成权重的过程包括:
通过从均匀分布中随机抽样获得N个随机数,为每个预测功率区间中的每组预测功率赋予一个权重数值;其中N的取值为读取到的功率预测数据组的数量;
将N个随机数构建成一个集合权重;所述集合权重中的N个随机数加和范围在0.9到1.1之间;
为每个预测功率区间生成k组集合权重,其中k的取值范围大于数值100。
6.根据权利要求1所述的一种针对风、光功率预测的集成学习方法,其特征在于,在获得集成功率向量的过程中,针对会出现断层的功率片段现象,采用指数平滑进行修正。
7.一种针对风、光功率预测的集成学习系统,用于实现如权利要求1-6任意一项所述的集成学习方法,其特征在于,包括以下模块:
数据读取模块,被设置为根据应用需求读取待分析的预测数据组;
数值计算模块,被设置为计算数据读取模块读取到预测数据组的预测准确度;
区间划分模块,被设置为根据数值计算模块的输出结果划分预测功率区间;
权重生成模块,被设置为利用均匀分布为每个预测功率区间生成权重;
功率集成模块,被设置为通过点乘预测数据与权重的方式,获得集成功率向量;
评估模块,被设置为对每个预测功率区间的集成功率进行评估;
重组模块,被设置为根据评估结果进行重新组合,获得最优集成功率;
所述区间划分模块根据数值计算模块的输出结果,首先选出准确度最高的一组预测数据,并根据数值大小将选出的一组预测数据进行区间划分,随后基于区间划分结果对剩余的预测数据组执行同样的预测区间划分。
8.根据权利要求7所述的一种针对风、光功率预测的集成学习系统,其特征在于,还包括修正模块;
所述修正模块采用指数平滑的方式对断层的功率片段进行修正。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-6任意一项所述的集成学习方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的集成学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310542793.9A CN116542385A (zh) | 2023-05-15 | 2023-05-15 | 一种针对风、光功率预测的集成学习方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310542793.9A CN116542385A (zh) | 2023-05-15 | 2023-05-15 | 一种针对风、光功率预测的集成学习方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542385A true CN116542385A (zh) | 2023-08-04 |
Family
ID=87446698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310542793.9A Pending CN116542385A (zh) | 2023-05-15 | 2023-05-15 | 一种针对风、光功率预测的集成学习方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542385A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669391A (zh) * | 2024-02-01 | 2024-03-08 | 华北电力大学 | 一种基于深度学习的短期光伏功率预测方法 |
-
2023
- 2023-05-15 CN CN202310542793.9A patent/CN116542385A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669391A (zh) * | 2024-02-01 | 2024-03-08 | 华北电力大学 | 一种基于深度学习的短期光伏功率预测方法 |
CN117669391B (zh) * | 2024-02-01 | 2024-04-16 | 华北电力大学 | 一种基于深度学习的短期光伏功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A short-term load forecasting method based on GRU-CNN hybrid neural network model | |
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
Ye et al. | A novel integrated method for short-term wind power forecasting based on fluctuation clustering and history matching | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
Niu et al. | Short-term wind speed hybrid forecasting model based on bias correcting study and its application | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及系统 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
Pan et al. | Probabilistic short-term wind power forecasting using sparse Bayesian learning and NWP | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
Niu et al. | Knowledge mining based on environmental simulation applied to wind farm power forecasting | |
CN116454875A (zh) | 基于集群划分的区域风电场中期功率概率预测方法及系统 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Hu et al. | A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM |
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 |