CN112561058B - 基于Stacking-集成学习短期光伏功率预测方法 - Google Patents

基于Stacking-集成学习短期光伏功率预测方法 Download PDF

Info

Publication number
CN112561058B
CN112561058B CN202011469711.5A CN202011469711A CN112561058B CN 112561058 B CN112561058 B CN 112561058B CN 202011469711 A CN202011469711 A CN 202011469711A CN 112561058 B CN112561058 B CN 112561058B
Authority
CN
China
Prior art keywords
prediction
input
gate
learner
output
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.)
Active
Application number
CN202011469711.5A
Other languages
English (en)
Other versions
CN112561058A (zh
Inventor
黎湛联
陈嘉铭
丁伟锋
陈顺
蔡涌烽
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011469711.5A priority Critical patent/CN112561058B/zh
Publication of CN112561058A publication Critical patent/CN112561058A/zh
Application granted granted Critical
Publication of CN112561058B publication Critical patent/CN112561058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Stacking‑集成学习短期光伏功率预测方法，基于历史光伏预测数据样本集训练基于多个不同模型的基学习器构成的第一层预测模型，将第一层预测模型的预测结果输入元学习器模型训练第二层预测模型，然后将待预测日的输入变量经第一层预测模型和第二层预测模型预测后得出预测结果。基于Stacking‑集成学习短期光伏功率预测方法考虑不同深度学习的训练原理差异，充分发挥各模型优势，与传统单模型预测相比该预测方法的预测精度有着较为明显的提升。

Description

基于Stacking-集成学习短期光伏功率预测方法
技术领域
本发明涉及光伏功率预测领域，更具体地，涉及一种基于stacking-集成学习短期光伏功率预测方法。
背景技术
目前光伏功率预测主要分为物理模型、统计模型和人工智能模型三种模型。其中，物理模型通过数学建模研究气象演变过程，依据光电、风电转换物理模型进行预测，不需要大量的数据，但所建立的模型复杂，计算量大，抗干扰能力较差。统计模型使用历史测量数据间的统计关系对功率进行预测，可以有效解决预测延迟的问题，然而其对原始数据的处理和时间序列的稳定性要求较高，难以反映非线性因素的影响。因此，近年来人工智能模型因此强大的非线性拟合能力被应用与光伏功率预测中，但是传统的机器学***辐射强等深层特征，导致预测精度和泛化能力难以提高。
对比传统机器学习，深度学习技术受噪声干扰小，能充分挖掘数据间的关联性，为可再生能源发电功率预测提供了强大支撑。但是只是采用了一种单独方式进行光伏预测，由于光伏预测问题的假设空间很大，可能有多个假设在训练集上达到同等性能，若使用单一模型可能由于随机性而导致泛化性能不佳。
有研究使用组合预测的方式，进一步提高模型预测精度。公开号为CN109767353A(公开日为2019年05月17日)的专利文献公开了一种基于概率分布函数的光伏发电功率预测方法，其采用通用分布拟合方法拟合得到该所述区间对应的光伏发电功率概率密度函数和累计分布函数，对所述光伏发电功率概率分布密度函数进行逆变换抽样而得到所述已知辐照度对应的若干个光伏发电功率值，再对所述光伏出力场景集中的各所述光伏发电功率值求取平均值作为所述已知辐照度对应的光伏发电功率预测值。
但上述组合预测的方式多是采用均值计算方式，求取多种算法模型或同一类型算法不同参数模型的预测均值，并不能体现出不同预测算法数据观测的差异性，各个算法并不能通过取长补短的方式训练出更优异模型，并且这种组合方式没有足够的理论支撑，原理也较为单薄。
因此，如何提供一种解决上述技术问题的短期光伏功率预测方法成为本领域技术人员亟需解决的问题。
发明内容
本发明为克服上述现有技术所述的预测精度低、泛化能力差和现有预测模型不够稳定和准确的技术缺陷，提供一种基于Stacking集成学习短期光伏功率预测方法。
为达到上述目的，本发明所采用的技术方案为：
一种基于Stacking-集成学习短期光伏功率预测方法，包括以下步骤：
S1.获取历史光伏发电功率数据和历史天气预报数据并进行数据预处理，从而构建光伏预测数据样本集；
S2.将所述光伏预测数据样本集分为基模型训练集和元学习器训练集；
S3.将所述基模型训练集输入到多个基学习器中训练，建立多个基学习器预测模型，从而完成第一层预测模型的训练；
S4.将所述元学习器训练集输入到第一层预测模型的多个基学习器预测模型中，每个基学习器预测模型输出各自的预测结果，再将第一层预测模型的预测结果输入至元学习器中训练，从而完成第二层预测模型中元学习器预测模型的训练；
S5.将待预测日的输入变量输入到训练好的第一层预测模型中并输出的预测结果，再将第一层预测模型的多个预测结果作为训练好的第二层预测模型的元学习器预测模型的输入变量，得到最终的预测光伏输出功率。
优选地，步骤S1中，通过所述数据预处理获得历史光伏发电功率数据和历史天气预报数据的时间序列，所述时间序列包括光伏发电功率P、太阳总辐射强度G，散射水平辐射强度D、风速Ws、温度T、相对湿度H、风向Wd、日降雨量R，进而将所述时间序列作为光伏预测数据样本集。
优选地，步骤S2中，将历史天气预报数据的时间序列作为光伏预测数据样本集的输入变量，将历史光伏发电功率的时间序列作为光伏预测数据样本集的输出变量，形成光伏预测数据样本集S＝{Pn,Gn,Dn,Wsn,Tn,Hn,Wdn,Rn}，其中，Pn为第n个光伏预测数据样本集对应的预测值，xn＝{Gn,Dn,Wsn,Tn,Hn,Wdn,Rn}为第n个光伏预测数据样本集对应的输入特征向量。
优选地，步骤S3中，所述多个基学习器包括长短期记忆学习器、门限循环单元学习器和循环神经网络学习器。
优选地，步骤S3中，建立长短期记忆学习器预测模型的步骤包括：
S311.取输入特征向量xt作为第t时刻的输入。
S312.设定所述长短期记忆模型单元包括遗忘门、输入门、输出门，第t时刻遗忘门单元ft、第t时刻输入门it、第t时刻输出门gt,单元内部状态更新ct，长短期记忆学习器预测模型输出
Figure BDA0002835847130000031
分别为：
Figure BDA0002835847130000032
Figure BDA0002835847130000033
Figure BDA0002835847130000034
Figure BDA0002835847130000035
Figure BDA0002835847130000036
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，xt是当前时刻的输入，ht-1是前一时刻隐藏状态，ct-1是前一时刻单元状态，Uf、Ui、Uo、Uc分别表示遗忘门、输入门、输出门和单元内部状态更新的输入权重矩阵，Wf、Wi、Wo、Wc分别表示遗忘门、输入门、输出门和单元内部状态更新的循环权重矩阵，Mf,Mi,Mo分别表示遗忘门、输入门、输出门的单元状态权重矩阵，bf、bi、bo、bc分别表示遗忘门、输入门、输出门和单元内部状态更新的偏置。
S313.取
Figure BDA0002835847130000037
为第t时刻输出的预测结果。/>
优选地，步骤S3中，建立门限循环单元学习器预测模型的步骤包括：
S321.取输入特征向量xt作为第t时刻的输入。
S322.门限循环单元包括输入层、隐藏层和输出层；门限循环单元的核心是隐藏层的两个门，可以选择性地让信息通过控制历史数据对最终结果造成的影响；其中隐藏层包括更新门和重置门，zt、rt分别为第t时刻的更新门和重置门，通过公式(6)-(9)，再根据zt和
Figure BDA0002835847130000038
更新/>
Figure BDA0002835847130000039
Figure BDA00028358471300000310
Figure BDA00028358471300000311
Figure BDA00028358471300000312
Figure BDA00028358471300000313
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，
Figure BDA00028358471300000314
和/>
Figure BDA00028358471300000315
分别为第t时刻和第t-1时刻的激活参数，/>
Figure BDA0002835847130000041
是一个激活参数，Wz，Wh分别表示更新门、重置门的循环权重矩阵，W为隐层-隐层的连接权重，Uz、Ur分别表示更新门、重置门的输入权重矩阵，U为输入-隐层连接的权重矩阵，bz、br分别表示更新门、重置门的偏置、b为偏置。
S323.取
Figure BDA0002835847130000042
为第t时刻输出的预测结果。
优选地，步骤S3中，建立循环神经网络学习器预测模型的步骤包括：
S331.取输入特征向量xt作为第t时刻的输入。
S332.循环神经网络的输入是xt，输出是
Figure BDA0002835847130000043
隐层为h，隐层h称为记忆单元，具有存储信息的能力，其输出会影响其下一时刻的输入，假设时刻t的输入为xt,输出/>
Figure BDA0002835847130000044
隐藏状态为/>
Figure BDA0002835847130000045
则/>
Figure BDA0002835847130000046
即和当前时刻的输入xt相关,也和上一时刻的隐藏状态更新如下：
Figure BDA0002835847130000047
Figure BDA0002835847130000048
Figure BDA0002835847130000049
其中，Qi表示分类器前级输出单元的输出，i表示类别索引，C表示总的类别个数，Si表示当前元素的指数与所有元素指数和的比值，b和c为偏置，U、V、W分别为输入-隐层、隐层-输出，隐层-隐层连接的权重矩阵，
Figure BDA00028358471300000410
代表第t个隐层，且在不同时刻，权重矩阵U、V、W的值是相同的，f(x)为非线性激活函数中的tanh函数或ReLU函数。
S333.取
Figure BDA00028358471300000411
为第t时刻输出的预测结果。
优选地，步骤S4中，所述元学习器预测模型为长短期记忆学习器预测模型。
优选地，所述待预测日输入变量为
Figure BDA00028358471300000412
与现有技术相比，本发明技术方案的有益效果是：本发明提出的Stacking-集成学习方法，考虑了不同算法的数据观测与训练原理差异，在预测过程中充分发挥了各个模型优势。且各个基学习器的学习能力越强，相互之间的关联程度越低，最后的预测效果会越好。与传统单模型预测相比，本发明的基于Stacking集成学习的短期光伏发电预测方法有着较高的预测精度。
附图说明
图1为本发明实施例提供的一种基于Stacking-集成学习短期光伏功率预测方法的流程示意图。
图2为本发明实施例提供的一种基于Stacking-集成学习短期光伏功率预测方法与传统单模型预测方法的预测效果对比图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，本申请提供的一种基于Stacking-集成学习短期光伏功率预测方法，包括以下步骤：
S1.获取历史光伏发电功率数据和历史天气预报数据并进行数据预处理，从而构建光伏预测数据样本集；
S2.将所述数据样本集分为基模型训练集和元学习器训练集；
S3.将所述基模型训练集输入到多个基学习器中训练，建立多个基学习器预测模型，从而完成第一层预测模型的训练；
S4.将所述元学习器训练集输入到第一层预测模型的多个基学习器预测模型中，每个基学习器预测模型输出各自的预测结果，再将第一层预测模型的所述预测结果输入至元学习器中训练，从而完成第二层预测模型中的多个元学习器预测模型的训练；
S5.将待预测日的输入变量输入到训练好的第一层预测模型中并输出的预测结果，再将第一层预测模型的预测结果作为训练好的第二层预测模型的元学习器预测模型的输入变量，得到最终的预测光伏输出功率。
其中步骤S1中，通过所述数据预处理获得历史光伏发电功率数据和历史天气预报数据的时间序列，所述时间序列包括光伏发电功率P、太阳总辐射强度G，散射水平辐射强度D、风速Ws、温度T、相对湿度H、风向Wd、日降雨量R，进而将所述时间序列作为光伏预测数据样本集。
在所述步骤S1中，本实施例中采集数据所采用的光伏电站是澳大利亚的Alicesprings光伏电站，电站由22个额定值为250W的光伏面板组成，阵列额定值为5.5KW，通过逆变器进行并网发电。时间分辨率为5min，即一天共有288个数据点。
其中步骤S2中，将历史天气预报数据的时间序列作为光伏预测数据样本集的输入变量，将历史光伏发电功率的时间序列作为光伏预测数据样本集的输出变量。所述光伏预测数据样本集总共有两年，172800个历史光伏发电功率数据与天气预报数据。取其中的86400个样本作为基模型训练集、另取86400个样本作为元学习器训练集。具体的，形成光伏预测数据样本集S＝{Pn,Gn,Dn,Wsn,Tn,Hn,Wdn,Rn}，其中，Pn为第n个光伏预测数据样本集对应的预测值，xn＝{Gn,Dn,Wsn,Tn,Hn,Wdn,Rn}分别为第n个光伏预测数据样本集对应的输入特征向量。
其中步骤S3中，所述多个基学习器包括长短期记忆学习器(Long Short-TermMemory，缩写为LSTM)、门限循环单元学习器(Gated Recurrent Unit，缩写为GRU)和循环神经网络学习器(Recurrent Neural Network，缩写为RNN)。
步骤S3中，建立长短期记忆学习器预测模型的步骤包括：
S311.取输入特征向量xt作为第t时刻的输入。
S312.设定所述长短期记忆模型单元包括遗忘门、输入门、输出门，第t时刻遗忘门单元ft、第t时刻输入门it、第t时刻输出门gt,单元内部状态更新ct，长短期记忆学习器预测模型输出
Figure BDA0002835847130000061
分别为：
Figure BDA0002835847130000062
Figure BDA0002835847130000063
Figure BDA0002835847130000064
Figure BDA0002835847130000065
Figure BDA0002835847130000066
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，xt是当前时刻的输入，ht-1是前一时刻隐藏状态，ct-1是前一时刻单元状态，Uf、Ui、Uo、Uc分别表示遗忘门、输入门、输出门和单元内部状态更新的输入权重矩阵，Wf、Wi、Wo、Wc分别表示遗忘门、输入门、输出门和单元内部状态更新的循环权重矩阵，Mf,Mi,Mo分别表示遗忘门、输入门、输出门的单元状态权重矩阵，bf、bi、bo、bc分别表示遗忘门、输入门、输出门和单元内部状态更新的偏置。
S313.取
Figure BDA0002835847130000071
为第t时刻输出的预测结果1。
步骤S3中，建立门限循环单元学习器预测模型的步骤包括：
S321.取输入特征向量xt作为第t时刻的输入。
S322.门限循环单元包括输入层、隐藏层和输出层；门限循环单元的核心是隐藏层的两个门，可以选择性地让信息通过控制历史数据对最终结果造成的影响；其中隐藏层包括更新门和重置门，zt、rt分别为第t时刻的更新门和重置门，通过公式(6)-(9)，再根据zt和
Figure BDA0002835847130000072
更新/>
Figure BDA0002835847130000073
Figure BDA0002835847130000074
Figure BDA0002835847130000075
Figure BDA0002835847130000076
Figure BDA0002835847130000077
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，
Figure BDA0002835847130000078
和/>
Figure BDA0002835847130000079
分别为第t时刻和第t-1时刻的激活参数，/>
Figure BDA00028358471300000710
是一个激活参数，Wz，Wh分别表示更新门、重置门的循环权重矩阵，W为隐层-隐层的连接权重，Uz、Ur分别表示更新门、重置门的输入权重矩阵，U为输入-隐层连接的权重矩阵，bz、br分别表示更新门、重置门的偏置、b为偏置。
S323.取
Figure BDA00028358471300000711
为第t时刻输出的预测结果2。
步骤S3中，建立循环神经网络学习器预测模型的步骤包括：
S331.取输入特征向量xt作为第t时刻的输入。
S332.循环神经网络的输入是xt，输出是
Figure BDA00028358471300000712
隐层为h，隐层h称为记忆单元，具有存储信息的能力，其输出会影响其下一时刻的输入，假设时刻t的输入为xt,输出/>
Figure BDA00028358471300000713
隐藏状态为/>
Figure BDA00028358471300000714
则/>
Figure BDA00028358471300000715
即和当前时刻的输入xt相关,也和上一时刻的隐藏状态更新如下：
Figure BDA00028358471300000716
Figure BDA00028358471300000717
Figure BDA00028358471300000718
其中，Qi表示分类器前级输出单元的输出，i表示类别索引，C表示总的类别个数，Si表示当前元素的指数与所有元素指数和的比值，b和c为偏置，U、V、W分别为输入-隐层、隐层-输出，隐层-隐层连接的权重矩阵，
Figure BDA0002835847130000081
代表第t个隐层，且在不同时刻，权重矩阵U、V、W的值是相同的，f(x)为非线性激活函数中的tanh函数或ReLU函数。
S333.取
Figure BDA0002835847130000082
为第t时刻输出的预测结果3。
步骤S4中，所述元学习器预测模型为长短期记忆学习器预测模型。步骤S5中，所述待预测日输入变量为
Figure BDA0002835847130000083
表1为本发明实施例提供的模型误差指标对比。
Figure BDA0002835847130000084
从表1可以看出基于stacking-集成学习的短期光伏发电预测方法有着较高的预测精度。
参见图2可以看出，基于stacking-集成学习的短期光伏发电预测方法跟实际值更加接近。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.基于Stacking-集成学习短期光伏功率预测方法，包括以下步骤：
S1.获取历史光伏发电功率数据和历史天气预报数据并进行数据预处理，从而构建光伏预测数据样本集；
S2.将所述光伏预测数据样本集分为基模型训练集和元学习器训练集；
S3.将所述基模型训练集输入到多个基学习器中训练，建立多个基学习器预测模型，从而完成第一层预测模型的训练；
步骤S3中，所述多个基学习器包括长短期记忆学习器、门限循环单元学习器和循环神经网络学习器；
步骤S3中，建立长短期记忆学习器的步骤包括：
S311.取输入特征向量xt作为第t时刻的输入；
S312.设定所述长短期记忆学习器包括遗忘门、输入门、输出门，第t时刻遗忘门单元ft、第t时刻输入门it、第t时刻输出门gt，单元内部状态更新ct，长短期记忆学习器预测模型输出
Figure FDA0004201331260000011
分别为：
Figure FDA0004201331260000012
Figure FDA0004201331260000013
Figure FDA0004201331260000014
Figure FDA0004201331260000015
Figure FDA0004201331260000016
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，xt是当前时刻的输入，ht-1是前一时刻隐藏状态，ct-1是前一时刻单元状态，Uf、Ui、Uo、Uc分别表示遗忘门、输入门、输出门和单元内部状态更新的输入权重矩阵，Wf、Wi、Wo、Wc分别表示遗忘门、输入门、输出门和单元内部状态更新的循环权重矩阵，Mf,Mi，Mo分别表示遗忘门、输入门、输出门的单元状态权重矩阵，bf、bi、bo、bc分别表示遗忘门、输入门、输出门和单元内部状态更新的偏置；
S313.取
Figure FDA0004201331260000017
为第t时刻输出的预测结果；
步骤S3中，建立门限循环单元学习器预测模型的步骤包括：
S321.取输入特征向量xt作为第t时刻的输入；
S322.门限循环单元包括输入层、隐藏层和输出层；门限循环单元的核心是隐藏层的两个门，可以选择性地让信息通过控制历史数据对最终结果造成的影响；其中隐藏层包括更新门和重置门，zt、rt分别为第t时刻的更新门和重置门，通过公式(6)-(9)，再根据zt和
Figure FDA0004201331260000018
更新/>
Figure FDA0004201331260000019
Figure FDA00042013312600000110
Figure FDA00042013312600000111
Figure FDA00042013312600000112
Figure FDA00042013312600000113
其中，σ为sigmoid激活函数将数值转化为0到1之间的数值，
Figure FDA00042013312600000114
和/>
Figure FDA00042013312600000115
分别为第t时刻和第t-1时刻的激活参数，/>
Figure FDA00042013312600000116
是一个激活参数，Wz，Wh分别表示更新门、重置门的循环权重矩阵，W为隐层-隐层的连接权重，Uz、Ur分别表示更新门、重置门的输入权重矩阵，U为输入-隐层连接的权重矩阵，bz、br分别表示更新门、重置门的偏置、b为偏置；
S323.取
Figure FDA00042013312600000117
为第t时刻输出的预测结果；
步骤S3中，建立循环神经网络学习器预测模型的步骤包括：
S331.取输入特征向量xt作为第t时刻的输入；
S332.循环神经网络的输入是xt，输出是
Figure FDA0004201331260000021
隐层为h，隐层h称为记忆单元，具有存储信息的能力，其输出会影响其下一时刻的输入，假设时刻t的输入为xt，输出/>
Figure FDA0004201331260000022
隐藏状态为
Figure FDA0004201331260000023
则/>
Figure FDA0004201331260000024
即和当前时刻的输入xt相关，也和上一时刻的隐藏状态更新如下：
Figure FDA0004201331260000025
Figure FDA0004201331260000026
Figure FDA0004201331260000027
其中，Qi表示分类器前级输出单元的输出，i表示类别索引，C表示总的类别个数，Si表示当前元素的指数与所有元素指数和的比值，b和c为偏置，U、V、W分别为输入-隐层、隐层-输出，隐层-隐层连接的权重矩阵，
Figure FDA0004201331260000028
代表第t个隐层，且在不同时刻，权重矩阵U、V、W的值是相同的，f(x)为非线性激活函数中的tanh函数或ReLU函数；
S333.取
Figure FDA0004201331260000029
为第t时刻输出的预测结果；
S4.将所述元学习器训练集输入到第一层预测模型的多个基学习器预测模型中，每个基学习器预测模型输出各自的预测结果，再将第一层预测模型的预测结果输入至元学习器中训练，从而完成第二层预测模型中元学习器预测模型的训练；
S5.将待预测日的输入变量输入到训练好的第一层预测模型中并输出预测结果，再将第一层预测模型的多个预测结果作为训练好的第二层预测模型的元学习器预测模型的输入变量，得到最终的预测光伏输出功率。
2.如权利要求1所述的基于Stacking-集成学***辐射强度D、风速Ws、温度T、相对湿度H、风向Wd、日降雨量R，进而将所述时间序列作为光伏预测数据样本集。
3.如权利要求2所述的基于Stacking-集成学习短期光伏功率预测方法，其特征在于，步骤S2中，将历史天气预报数据的时间序列作为光伏预测数据样本集的输入变量，将历史光伏发电功率的时间序列作为光伏预测数据样本集的输出变量。
4.如权利要求3所述的基于Stacking-集成学习短期光伏功率预测方法，其特征在于，形成光伏预测数据样本集S＝{Pn，Gn，Dn，Wsn，Tn，Hn，Wdn，Rn}，其中，Pn为第n个样本集对应的预测值，xn＝{Gn，Dn，Wsn，Tn，Hn，Wdn，Rn}为第n个样本集对应的输入特征向量。
5.如权利要求4所述的基于Stacking-集成学习短期光伏功率预测方法，其特征在于，步骤S4中，所述元学习器预测模型为长短期记忆学习器预测模型。
6.如权利要求2所述的基于Stacking-集成学习短期光伏功率预测方法，其特征在于，所述待预测日输入变量为
Figure FDA00042013312600000210
/>
CN202011469711.5A 2020-12-15 2020-12-15 基于Stacking-集成学习短期光伏功率预测方法 Active CN112561058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011469711.5A CN112561058B (zh) 2020-12-15 2020-12-15 基于Stacking-集成学习短期光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011469711.5A CN112561058B (zh) 2020-12-15 2020-12-15 基于Stacking-集成学习短期光伏功率预测方法

Publications (2)

Publication Number Publication Date
CN112561058A CN112561058A (zh) 2021-03-26
CN112561058B true CN112561058B (zh) 2023-06-06

Family

ID=75062981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011469711.5A Active CN112561058B (zh) 2020-12-15 2020-12-15 基于Stacking-集成学习短期光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN112561058B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990593A (zh) * 2021-03-29 2021-06-18 广东工业大学 基于cso-ann-el算法的变压器故障诊断及状态预测方法
CN113191091B (zh) * 2021-06-03 2022-12-09 上海交通大学 基于混合深度学习机制的风速预测方法及***、设备
CN113820079B (zh) * 2021-07-28 2024-05-24 中铁工程装备集团有限公司 基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法
CN113866638A (zh) * 2021-08-24 2021-12-31 陈九廷 一种电池参数推测方法、装置、设备及介质
CN113887798A (zh) * 2021-09-28 2022-01-04 广东电网有限责任公司 台风灾害下停电网格分布预测方法、***、设备和介质
CN114330935B (zh) * 2022-03-10 2022-07-29 南方电网数字电网研究院有限公司 基于多种结合策略集成学习的新能源功率预测方法和***
CN114692999A (zh) * 2022-04-26 2022-07-01 厦门大学 一种基于集成学习的海水表层温度预测方法
CN115577857B (zh) * 2022-11-15 2023-04-28 南方电网数字电网研究院有限公司 能源***出力数据预测方法、装置和计算机设备
CN117522626A (zh) * 2023-11-15 2024-02-06 河北大学 一种基于特征选择与异多模型融合光伏出力预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及***
CN110705789A (zh) * 2019-09-30 2020-01-17 国网青海省电力公司经济技术研究院 一种光伏电站短期功率预测方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电***短期出力的预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及***
CN110705789A (zh) * 2019-09-30 2020-01-17 国网青海省电力公司经济技术研究院 一种光伏电站短期功率预测方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电***短期出力的预测方法

Also Published As

Publication number Publication date
CN112561058A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112561058B (zh) 基于Stacking-集成学习短期光伏功率预测方法
Shamshirband et al. A survey of deep learning techniques: application in wind and solar energy resources
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及***
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN109214575A (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113052469B (zh) 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法
CN115115125A (zh) 基于深度学习融合模型的光伏功率区间概率预测方法
CN114781723A (zh) 一种基于多模型融合的短期光伏出力预测方法
CN116187540A (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
CN117233870A (zh) 一种基于多气象要素的短临降水集合预报及降尺度方法
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
CN116384583A (zh) 一种基于多神经网络的光伏功率预测方法
CN115099497A (zh) 一种基于cnn-lstm的实时洪水预报智能方法
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN109447843B (zh) 一种光伏出力预测方法及装置
CN117113054A (zh) 一种基于图神经网络和Transformer的多元时间序列预测方法
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN112232714B (zh) 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法
Ding et al. Photovoltaic array power prediction model based on EEMD and PSO-KELM
Li et al. Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN
Wan et al. Turbine location wind speed forecast using convolutional neural network

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
GR01 Patent grant
GR01 Patent grant