CN114330935B - 基于多种结合策略集成学习的新能源功率预测方法和*** - Google Patents
基于多种结合策略集成学习的新能源功率预测方法和*** Download PDFInfo
- Publication number
- CN114330935B CN114330935B CN202210234586.2A CN202210234586A CN114330935B CN 114330935 B CN114330935 B CN 114330935B CN 202210234586 A CN202210234586 A CN 202210234586A CN 114330935 B CN114330935 B CN 114330935B
- Authority
- CN
- China
- Prior art keywords
- prediction
- new energy
- data
- primary
- integrated
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于多种结合策略集成学习的新能源功率预测方法和***,所述方法包括:根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;通过所述训练新能源数据训练得到多个初级预测模型;通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。该方法可以提升对新能源场站的功率预测精度。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于多种结合策略集成学习的新能源功率预测方法、***、装置、计算机设备和存储介质。
背景技术
随着社会的发展,人类日常生活、生产对能源的需求日益增大,而地球上的能源有限,因此,如何提高对能源的利用效能,实施可再生能源替代行动是当前的主要研究方向。其中,消纳高比例可再生能源的一个基础就是正确地对其发电功率开展功率预测,而现有新能源功率预测方法和预测***基本采用颗粒度较大的数值天气预报进行预测,预测准确率不高,无法满足未来新能源大规模接入电力***的实际需求。
发明内容
基于此,有必要针对上述新能源功率预测方法存在的预测准确率较低的技术问题,提供一种新能源功率预测方法、***、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种基于多种结合策略集成学习的新能源功率预测方法。所述方法包括:
根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;
通过所述训练新能源数据训练得到多个初级预测模型;
通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
在其中一个实施例中,所述根据目标预测对象,获取样本新能源数据,包括:
根据所述目标预测对象,确定天气预报数据类型和功率类型;
根据所述天气预报数据类型,获取所述目标预测对象的历史天气预报数据,以及根据所述功率类型,获取所述目标预测对象的历史功率数据;
基于所述历史天气预报数据和所述历史功率数据,得到所述样本新能源数据。
在其中一个实施例中,所述基于所述历史天气预报数据和所述历史功率数据,得到所述样本新能源数据,包括:
基于所述历史天气预报数据和所述历史功率数据,得到初始样本新能源数据;
对所述初始样本新能源数据中符合预设剔除条件的数据进行剔除处理、和/或对所述初始样本新能源数据中的负功率数据进行置零处理,和/或对所述样本新能源数据中的缺失数据进行插补处理,得到处理后的样本新能源数据;
对所述处理后的样本新能源数据进行标准化处理,得到所述样本新能源数据。
在其中一个实施例中,所述通过所述训练新能源数据训练得到多个初级预测模型,包括:
根据目标预测类型,从所述训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;所述输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,所述实际输出变量表示当前预测周期的历史功率;
将所述输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;
基于所述预测结果与所述实际输出变量之间的损失值,对各所述待训练的初级预测模型进行训练,得到所述多个初级预测模型。
在其中一个实施例中,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,包括:
获取所述多个初级预测模型的均值系数;所述均值系数用于对各所述初级预测模型的预测结果进行平均处理;
基于所述均值系数和各所述初级预测模型,得到第一集成预测模型。
在其中一个实施例中,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,还包括:
将所述训练新能源数据中的输入变量输入各所述初级预测模型,得到各所述初级预测模型的预测结果;
基于各所述初级预测模型的预测结果的预测准确率,获取各所述初级预测模型的权重;所述预测准确率基于所述预测结果和所述验证新能源数据中的实际输出变量得到;
基于各所述初级预测模型和各所述初级预测模型对应的权重,得到第二集成预测模型。
在其中一个实施例中,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,包括:
将所述验证新能源数据中的输入变量输入各所述初级预测模型,得到各所述初级预测模型的预测结果;
通过所述预测结果和所述新能源数据中的实际输出变量,对待训练的次级预测模型进行训练,得到训练完成的次级预测模型;
基于各所述初级预测模型和所述训练完成的次级预测模型,得到第三集成预测模型。
在其中一个实施例中,所述根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,包括:
获取各所述集成预测模型的预测准确率;
从所述多个集成预测模型中确定出准确率最高的集成预测模型,作为目标预测模型。
第二方面,本申请还提供了一种基于多种结合策略集成学习的新能源功率预测***。所述***包括数据采集设备和终端;其中,
所述数据采集设备,用于采集目标预测对象的样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;
所述终端,用于从所述数据采集设备中获取所述样本新能源数据,通过所述训练新能源数据训练得到多个初级预测模型,通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,并根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
第三方面,本申请还提供了一种基于多种结合策略集成学习的新能源功率预测装置。所述装置包括:
获取模块,用于根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;
训练模块,用于通过所述训练新能源数据训练得到多个初级预测模型;
集成模块,用于通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
确定模块,用于根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
第四方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;
通过所述训练新能源数据训练得到多个初级预测模型;
通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
第五方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;
通过所述训练新能源数据训练得到多个初级预测模型;
通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
上述基于多种结合策略集成学习的新能源功率预测方法、***、装置、计算机设备和存储介质,在根据目标预测对象,获取样本新能源数据后,通过样本新能源数据中的训练新能源数据训练得到多个初级预测模型,通过预设的多种集成指令,分别对多个初级预测模型进行集成处理,得到多个集成预测模型,最后根据各集成预测模型的性能指标,从多个集成预测模型中确定出目标预测模型,通过目标预测模型进行新能源功率预测。该方法通过先训练多个初级预测模型,各个初级预测模型充分利用神经网络的学习能力,拥有能够较好地建立时间序列波动特性等优势,可以较好地预测目标预测对象的功率波动特性。然后采用多种集成方法对各初级预测模型进行集成处理,从得到的各集成预测模型中选取目标预测模型,可以使得对目标预测对象进行功率预测的模型为最优预测模型,从而提升对新能源场站的功率预测精度。
附图说明
图1为一个实施例中基于多种结合策略集成学习的新能源功率预测方法的流程示意图;
图2为一个实施例中样本新能源数据获取步骤的流程示意图;
图3为一个实施例中数据预测预处理模块的示意图;
图4为一个实施例中集成学习结构的示意图;
图5为一个实施例中基于多种结合策略集成学习的新能源功率预测***的示意图;
图6为一个实施例中基于多种结合策略集成学习的新能源功率预测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以下对本申请中涉及的各初级预测模型进行说明,本申请中的初级预测模型可包括双向长短期记忆网络、循环门单元模型和贝叶斯网络,其中:
双向长短期记忆网络(BLSTM)由前向LSTM与后向LSTM组合而成,LSTM是循环神经网络(Recurrent Neural Network,RNN)的一种,双向神经网络的单元计算与单向的是相通的,双向神经网络的隐藏层要保存两个值,一个参与正向计算,另一个值参与反向计算。
循环门单元模型(GRU)也是循环神经网络(RNN)的一种,与长短期记忆网络(LSTM)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU模型中只有两个门:分别是更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集。GRU组合了遗忘门和输入门到一个单独的更新门当中,也合并了细胞状态C和隐藏状态h,使得其模型比标准LSTM模型更简单,其数学表达式为:
其中,门控信号z t 的范围为0~1。门控信号越接近1,代表“记忆”下来的数据越多;而越接近0则代表“遗忘”的越多。与LSTM相比,GRU内部少了一个“门控”,参数比LSTM少,但是却也能够达到与LSTM相当的功能,因此GRU可以使用计算机较少的计算资源和时间成本,这对于适应大规模训练集和对预测效率较敏感的新能源功率预测场景效果明显。
贝叶斯神经网络不同于一般的神经网络,其权重参数是随机变量,而非确定的值。BNN建模如下:
假设神经网络参数为W,P(W)是参数的先验分布,给定观测数据D=X,Y,其中,X是输入数据,Y是标签数据。BNN希望给出以下的分布,也就是预测值为:
由于W是随机变量,因此预测值也是个随机变量。其中:
其中,P(W∣D)是后验分布,P(D∣W)是似然函数,P(D)是边缘似然。从第一个公式中可以看出,用BNN对数据进行概率建模并预测的核心在于做高效近似后验推断,而变分推断VI或者采样是一个非常合适的方法。如果采样的话,通过采样后验分布P(W∣D)来评估P(W∣D),每个样本计算f(X∣w),其中f是神经网络。输出是一个分布,而不是一个值,因此可以估计预测的不确定度。
在一个实施例中,如图1所示,提供了一种基于多种结合策略集成学***板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
在步骤S110中,根据目标预测对象,获取样本新能源数据;样本新能源数据包括训练新能源数据和验证新能源数据。
其中,预测对象可包括风电场和光伏电站。
其中,样本新能源数据可包括历史天气预报数据和历史功率数据。
具体实现中,不同的预测对象各自对应的预测数据的需求不同,因此,需要预先确定目标预测对象,根据目标预测对象,构造对应的输入特征量,基于输入特征量获取样本新能源数据。更具体地,可先根据目标预测对象,确定对应的天气预报数据类型和功率类型,根据天气预报数据类型和功率类型,分别采集目标预测对象的历史天气预报数据和历史功率数据,将历史天气预报数据和历史功率数据,构成目标预测对象的样本新能源数据。
进一步地,在得到样本新能源数据后,可将样本新能源数据划分为用于模型训练的训练新能源数据和用于验证模型效果的验证新能源数据,以便于后续挑选最优的集成预测模型。
在步骤S120中,通过训练新能源数据训练得到多个初级预测模型。
其中,初级预测模型可以包括双向长短期记忆网络(Bi-directional LongShort-Term Memory,BLSTM)、循环门单元模型(Gate Recurrent Unit,GRU)和贝叶斯神经网络(Bayesian Neural Networks,BNN)三种模型。
具体实现中,在对各初级预测模型进行训练前,除了需要构造模型的输入特征量外,还需要构造每一训练步长的输入变量和输出变量,然后调用双向长短期记忆网络、循环门单元模型和贝叶斯神经网络等初级预测模型的训练函数,分别对各初级预测模型进行训练,得到多个训练完成的初级预测模型。
更具体地,不同预测类型的训练步长不同,因此在对各初级预测模型进行训练前,还需先确定目标预测类型,根据目标预测类型,从训练新能源数据中确定出每一训练步长的输入变量和实际输出变量,其中,输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,实际输出变量表示当前预测周期的历史功率。将输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;基于预测结果与实际输出变量之间的损失值,对各待训练的初级预测模型进行训练,得到多个初级预测模型。
在步骤S130中,通过预设的多种集成指令,分别对多个初级预测模型进行集成处理,得到多个集成预测模型。
具体实现中,预设的多种集成指令可以为基于平均法的集成指令、基于投票法的集成指令和基于Stacking策略的集成指令,通过各集成指令分别对训练完成的双向长短期记忆网络、循环门单元模型和贝叶斯神经网络等初级预测模型进行集成处理,得到多个集成预测模型。
在步骤S140中,根据各集成预测模型的性能指标,从多个集成预测模型中确定出目标预测模型,通过目标预测模型进行新能源功率预测。
其中,性能指标可以为集成预测模型的预测结果的准确率,可以理解的是,在一些其它场景中,性能指标也可以为预测速率,具体可以根据实际需求确定。
其中,预测准确率的关系式可表示为:
其中,r 1表示预测准确率,n表示测试集的样本数量,C k 表示k时段的开机总容量。
具体实现中,为了提高对电力***中新能源的功率预测的准确率,因此,本申请以性能指标为预测结果的准确率为例,可以获取各集成预测模型的预测准确率,将多个集成预测模型中预测准确率最高的集成预测模型,确定为目标预测模型,通过目标预测模型对新能源进行功率预测。
更具体地,可将验证新能源数据中的输入变量输入各集成预测模型中,得到各集成预测模型的预测功率,基于预测功率和实际输出功率之间的比对结果,得到各集成预测模型的预测准确率,进一步从多个集成预测模型中确定出预测准确率最高的集成预测模型,作为目标预测模型。
上述基于多种结合策略集成学习的新能源功率预测方法中,在根据目标预测对象,获取样本新能源数据后,通过样本新能源数据中的训练新能源数据训练得到多个初级预测模型,通过预设的多种集成指令,分别对多个初级预测模型进行集成处理,得到多个集成预测模型,最后根据各集成预测模型的性能指标,从多个集成预测模型中确定出目标预测模型。该方法通过先训练多个初级预测模型,各个初级预测模型充分利用神经网络的学习能力,拥有能够较好地建立时间序列波动特性等优势,可以较好地预测目标预测对象的功率波动特性。然后采用多种集成方法对各初级预测模型进行集成处理,从得到的各集成预测模型中选取目标预测模型,可以使得对目标预测对象进行功率预测的模型为最优预测模型,从而提升对新能源场站的功率预测精度。
在一示例性实施例中,上述步骤S110可以通过下述步骤实现:
步骤S110a,根据目标预测对象,确定天气预报数据类型和功率类型;
步骤S110b,根据天气预报数据类型,获取目标预测对象的历史天气预报数据,以及根据功率类型,获取目标预测对象的历史功率数据;
步骤S110c,基于历史天气预报数据和历史功率数据,得到样本新能源数据。
具体实现中,在确定目标预测对象后,则可按照目标预测对象对应的天气预报数据类型和功率类型进行历史天气预报数据和历史功率数据的采集,从而得到样本新能源数据。
更具体地,对于预测对象风电场,其天气预报数据类型可以包括:170m高度的风速、100m高度的风速、170米高度的风向、100米高度的风向、气压、表面气压、湿度和温度,其功率类型可以为风电功率。对于预测对象光伏电站,其天气预报数据类型可以包括:温度、云量、短波辐射、长波辐射、地表气压、大尺度降水、对流降水和湿度,其功率类型可以为光伏发电功率。
本实施例中,通过先确定目标预测对象的天气预报数据类型和功率类型,以便于根据天气预报数据类型和功率类型获取目标预测对象对应的历史天气预报数据和历史功率数据,得到样本新能源数据,便于后续进行预测模型的训练。
进一步地,在一示例性实施例中,如图2所示,上述步骤S110c具体可以通过以下步骤实现:
步骤S210,基于历史天气预报数据和历史功率数据,得到初始样本新能源数据;
步骤S220,对初始样本新能源数据中符合预设剔除条件的数据进行剔除处理、和/或对初始样本新能源数据中的负功率数据进行置零处理,和/或对样本新能源数据中的缺失数据进行插补处理,得到处理后的样本新能源数据;
步骤S230,对处理后的样本新能源数据进行标准化处理,得到样本新能源数据。
其中,预设剔除条件可包括数据为错误数据和数据处于限电时段内。
具体实现中,当样本数据大部分均不完整和不一致时,则无法直接进行数据挖掘,或挖掘结果差强人意。数据质量决定了新能源功率预测的上限,而在风电场或光伏电站的功率预测实践中,历史功率数据和历史天气预报数据可能会存在有缺失值、重复值等,因此,为了提高数据挖掘的质量,在使用历史功率数据和历史天气预报数据等初始样本新能源数据之前需要进行数据预处理,从而提高功率预测的准确率。
更具体地,新能源功率预测数据预处理主要包括:限电时段剔除、负功率数据置零、错数据剔除、缺失值处理、数据标准化,如图3所示,为数据预测预处理模块的示意图,各预处理的具体步骤如下:
限电时段剔除。由于风电场和光伏电站功率的间歇性和波动性,供出的电能质量较差;另一方面,由于电网是一个实时供需平衡的***,因此难免会出现弃风限电和弃光限电的情况。这在样本集中存在明显的特点,即在一个适宜风电场或光伏电站发电的对应是时段下的风速或辐照度等数值天气预报条件下,且在一个较长的时段,新能源场站的输出功率突然下降,此时判定该时段为限电时段,或者样本集中直接提供了限电时段的信息,此时把该时段的数据剔除。
负功率数据置零。新能源发电功率应是大于或等于0的数值,若功率数据小于0,则可将该时段的功率数据置零。
错数据剔除。新能源发电功率数据可能会出现时段错误、数值超过装机容量、某时段的功率数值为空或错误字段等问题,历史天气预报数据可能会出现时段错误、数值为空、字段错误或出现无穷大或无穷小等明显不符合实际情况的问题,这类数据需同时把对应时段的功率数据和天气预报数据剔除。
缺失值处理。由于功率数据和数值天气预报数据的分辨率均为15分钟,样本属性的距离清晰明确,因此使用均值插补法对对应属性有效值的平均值来插补缺失的值。
数据标准化。由于需要消除数值天气预报或历史功率等不同属性具有不同量级时的影响:①数量级的差异将导致量级较大的属性占据主导地位;②数量级的差异将导致神经网络迭代收敛速度减慢。因此,使用z-score对样本进行标准化,即基于原始数据的均值和标准差进行数据的标准化。将原始值x使用z-score标准化到x',即新数据=(原数据-均值)/标准差。
本实施例中,通过对初始样本新能源数据进行预处理,可以提高样本新能源数据的质量,从而可提高根据该样本新能源数据训练得到的用于新能源功率预测的预测模型的预测准确率。
在一示例性实施例中,上述步骤S120中,通过所述训练新能源数据训练得到多个初级预测模型,具体可以通过以下步骤实现:
步骤S120a,根据目标预测类型,从训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,实际输出变量表示当前预测周期的历史功率;
步骤S120b,将输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;
步骤S120c,基于预测结果与实际输出变量之间的损失值,对各待训练的初级预测模型进行训练,得到多个初级预测模型。
其中,预测类型可包括短期预测和超短期预测。
具体实现中,预测类型不同,对应的预测参数也会不同,则训练步长的输入变量和实际输出变量也将不同,因此,在对各初级预测模型进行训练前,还需要确定目标预测类型。根据目标预测类型,从训练新能源数据中确定出每一训练步长的输入变量和实际输出变量,然后将输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果,基于预测结果与实际输出变量之间的损失值,对各待训练的初级预测模型进行训练,得到多个初级预测模型。
更具体地,预测参数可包括预测时间段、时间分辨率和滚动预测周期,其中,时间分辨率是指在同一区域进行的相邻两次遥感观测的最小时间间隔。
例如,对于短期预测类型,其预测时间段可以为未来0-72小时,时间分辨率不少于15分钟,滚动预测周期为24小时;对于超短期预测类型,其预测时间段为未来0-4小时,时间分辨率为15分钟,滚动预测周期为15分钟。
进一步地,基于预测参数可以确定训练步长的输入和输出,例如,在超短期预测中,滚动预测周期为15分钟,即每隔15分钟预测一次,设从t0时刻开始,预测时间点为t0、t1、t2,则有t2-t1=t1-t0=15分钟,预测时间段为未来0-4小时,时间分辨率为15分钟,即4小时内每隔15分钟对应一个预测时间点,则预测时间段内共有16个时间点,故每一训练步长的输入和输出如下表1所示:
表1超短期预测时训练步长的输入和输出
在短期预测中,滚动预测周期为24小时,即每隔24小时预测一次,设从t0时刻开始,预测时间点为t0、t96、t192,则有t192-t96=t96-t0=24小时,预测时间段为未来0-72小时,时间分辨率为15分钟,即72小时内每隔15分钟对应一个预测时间点,则预测时间段内共有288个时间点,故每一训练步长的输入和输出如下表2所示:
表2短期预测时训练步长的输入和输出
由上述表1和表2可知,在通过训练新能源数据对各初级预测模型进行训练时,每一训练步长的输入变量由前一个滚动预测周期的历史功率和当前预测周期内的历史天气预报数据构成,输出为当前预测周期内的预测功率。因此,在对各初级预测模型进行训练时,需要根据目标预测类型,从训练新能源数据中确定出每一训练的输入变量和实际输出变量,然后按照训练步长依次将输入变量输入各初级预测模型,将得到的预测结果和实际输出变量输入训练函数(或称损失函数),得到预测结果与实际输出变量之间的损失值,通过该损失值对待训练的各初级预测模型进行训练,得到训练完成的各个初级预测模型。
本实施例中,通过目标预测类型确定每一训练步长的输入变量和实际输出变量,进一步基于输入变量和输出变量对各所述待训练的初级预测模型进行训练,得到所述多个初级预测模型,该方法可以实现对目标预测对象短期和超短期等不同预测类型的功率的预测。
在一示例性实施例中,上述步骤S130包括:获取多个初级预测模型的均值系数;均值系数用于对各初级预测模型的预测结果进行平均处理;基于均值系数和各训练完成的初级预测模型,得到第一集成预测模型。
具体实现中,第一集成预测模型可以为基于平均法的集成指令。平均法是对多个初级预测模型的输出进行平均得到最终的预测输出,本实施例使用算术平均的方法,也就是说最终预测的是各个初级预测模型的预测结果的均值,第一集成预测模型的关系式可表示为:
其中,H(x)表示第一集成预测模型的预测输出,1/T可表示均值系数,hi表示初级预测模型。
在另一种实施方式中,若每个初级预测模型有一个权重w,则第一集成预测模型的关系式可表示为:
本实施例中,通过均值系数和各训练完成的初级预测模型,得到第一集成预测模型,实现了基于平均法对各训练完成的初级预测模型的集成处理。
在一示例性实施例中,上述步骤S130还包括:将训练新能源数据中的输入变量输入各初级预测模型,得到各初级预测模型的预测结果;基于各初级预测模型的预测结果的预测准确率,获取各初级预测模型的权重;预测准确率基于预测结果和验证新能源数据中的输出变量得到;基于各初级预测模型和各初级预测模型对应的权重,得到第二集成预测模型。
其中,权重与预测准确率成正相关关系,即预测准确率越高,权重越大,预测准确率越低,权重越小。
具体实现中,第二集成预测模型可以为基于投票法的集成指令。本实施例中,采用的投票法为加权投票法,即各初级预测模型的分类票数需乘以一个权重,最后将各个类别的加权票数求和,最大的值对应的类别为最终类别。
更具体地,在得到各初级预测模型的预测结果后,将预测结果与训练新能源数据中的实际输出变量进行比对,若比对结果在误差范围内,判定预测准确,反之判定预测不准确,进而根据每一个样本数据的比对结果,得到各初级预测模型的预测准确率,对各初级预测模型的预测准确率进行排序,并按照排序结果确定各初级预测模型的权重,进一步通过各权重分别对相应的初级预测模型进行加权求和处理,得到第二集成预测模型。
例如,对BLSTM、GRU和BNN三类初级预测模型的准确率进行排名,并按照名次,分别赋予0.5、0.3和0.2的比例,将BLSTM、GRU和BNN算法输出的结果进行投票,最后得到基于投票法的功率预测结果。
本实施例中,通过各初级预测模型的预测结果,确定各级预测模型的预测准确率,基于准确率得到各初级预测模型的权重,进一步基于各初级预测模型的权重得到第二集成预测模型,实现了基于加权投票法对各训练完成的初级预测模型的集成处理。
在一示例性实施例中,上述步骤S130还包括:将验证新能源数据中的输入变量输入各初级预测模型,得到各初级预测模型的预测结果;通过预测结果和新能源数据中的实际输出变量,对待训练的次级预测模型进行训练,得到训练完成的次级预测模型;基于各训练完成的初级预测模型和训练完成的次级预测模型,得到第三集成预测模型。
具体实现中,第三集成预测模型可以为基于Stacking策略的集成指令。将训练得到的各初级预测模型对验证新能源数据的预测结果作为输入,将验证新能源数据中的实际输出变量作为输出,重新训练一个次级预测模型来得到最终的预测结果,从而搭建一个基于Stacking策略的集成预测模型。对于验证新能源数据,首先用各初级预测模型预测一次,得到次级预测模型的输入样本,再用次级预测模型预测一次,得到最终的预测结果。具体思想如下:
先通过初始数据集训练出多个初级预测模型,然后“生成”一个新的数据集用于训练次级预测模型。生成的该新数据集中,初级预测模型的输出被当做新数据集的样例输入特征,而初始数据集的标记(即实际输出变量)仍被当做样例标记。也就是说,假设初级预测模型有M个,那么对于一个原始数据集中的样本(x; y),通过这M个初级预测模型有M个输出{h1(x),h2(x),...,hM(x)},把{h1(x),h2(x),...,hM(x); y}作为新数据的一个样本,所以一个初级预测模型的输出作为新数据集中对应样本的一个特征,而其标记为初始数据中该样本的标记。
本实施例中,通过各初级预测模型的预测结果和新能源数据中的实际输出变量,训练一个次级预测模型,由各初级预测模型和次级预测模型得到第三集成模型,由此实现了基于Stacking策略对多个初级预测模型的集成处理。
在一个实施例中,为了便于本领域技术人员理解本申请实施例,以下将结合附图的具体示例进行说明,包括以下步骤:
(1)新能源历史功率数据和历史天气预报数据预处理。在风电场或光伏电站功率预测实践中,历史功率数据和数值天气预报数据可能会存在有缺失值、重复值等,为了提高数据挖掘的质量,在使用数据之前需要进行数据预处理,从而提高功率预测的准确率。具体可通过限电时段剔除、负功率数据置零、错数据剔除、缺失值处理和数据标准化等手段实现数据的预处理。
(2)搭建初级预测模型。搭建双向长短期记忆网络、循环门单元模型和贝叶斯网络等初级预测模型。
(3)搭建基于多种结合策略的集成预测模型。参考图4,为集成学***均法结合策略的集成预测模型、搭建基于投票法的集成预测模型,以及搭建基于Stacking策略的集成预测模型。
(4)切分样本集。在进行功率预测之前,须使用适当的训练集对算法模型进行训练,并使用验证集对算法的效果进行评估,从而挑选出最优的集成学习策略,最终输出最优的集成预测模型。本方法对15分钟分辨率的历史功率和15分钟分辨率的数值天气预报按照6:4进行训练集和验证集的切分。
(5)训练初级预测模型。根据不同的预测对象分别构造训练初级预测模型的输入特征量,并构造每一训练步长的输入与输出,并调用BLSTM、GRU和BNN的训练函数,最终输出训练好的三类初级预测模型。
(6)训练基于Stacking策略的次级预测模型。
(7)基于验证新能源数据选出集成学***均法、投票法和Stacking策略进行功率预测,根据最终预测结果的准确率选出集成学习最优策略。具体如下:
a. 基于平均法的功率预测
在验证新能源数据中,将BLSTM、GRU和BNN算法输出的结果进行算术平均,得出基于平均法的功率预测结果。
b. 基于投票法的功率预测
在训练新能源数据中,对BLSTM、GRU和BNN三类弱学习器的准确率进行排名,并按照名次,分别赋予0.5、0.3和0.2的比例,在验证新能源数据中,将BLSTM、GRU和BNN算法输出的结果进行投票,最后得到基于投票法的功率预测结果。
c. 基于Stacking策略的功率预测
将BLSTM、GRU和BNN三类初级预测模型进行功率预测,得到的功率预测结果作为基于Stacking策略的次级预测模型的输入,从而得到基于Stacking策略的功率预测结果。
本实施例中,提出基于双向长短期记忆网络(Bi-directional Long Short-TermMemory,BLSTM)、循环门单元(Gate Recurrent Unit,GRU)、贝叶斯神经网络(BayesianNeural Networks,BNN)的新能源功率短期和超短期预测方法,对风电场和光伏电站的短期和超短期发电功率进行预测,短期预测时间段为未来0到72小时,时间分辨率为15分钟;超短期预测时间段为未来0到4小时,时间分辨率为15分钟。三种神经网络算法,充分利用神经网络的学***均法、投票法和Stacking三种策略,对三类个体学习器进行集成学习,得到的三类集成学习模型,并从中选取最优的集成学习模型,对风电场和光伏电站的短期和超短期功率进行预测,极大提升了新能源场站的功率预测精度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
可以理解的是,现阶段虽然已有多种功率预测方法投入实际运行,但预测模型的泛化能力较低,无法适应所有的新能源场站,或针对不同的新能源场站,不同的算法模型有各自的预测优势,暂无较好的方法把性能较好的算法模型进行综合利用,无法满足未来新能源大规模接入电力***的实际需求。
为了解决上述问题,本申请在上述新能源功率预测方法的基础上,还搭建了基于多种结合策略集成学习的新能源功率预测***。参考图5,为基于多种结合策略集成学习的新能源功率预测***的示意图,包括数据采集设备和终端,其中,
数据采集设备,用于采集目标预测对象的样本新能源数据;样本新能源数据包括训练新能源数据和验证新能源数据。
具体地,可以采集风电场或光伏电站的历史功率和数值天气预报,例如采集15分钟分辨率的历史功率和15分钟分辨率的数值天气预报。
其中,数值天气预报数据要求为:(1)数值天气预报内容应至少包含气温及距地面0至100米不同高程的风速、风向、气压、辐照度、温度、相对湿度等;(2)数值天气预报数据更新时间周期不大于12小时,时间分辨率不低于15分钟,单次预报时长不少于72小时;(3)数值天气预报的空间范围应覆盖目标场站,预测网格尺度不大于3千米×3千米。
终端,用于从数据采集设备中获取样本新能源数据,通过训练新能源数据训练得到多个初级预测模型,通过预设的多种集成指令,分别对多个初级预测模型进行集成处理,得到多个集成预测模型,并根据各集成预测模型的性能指标,从多个集成预测模型中确定出目标预测模型,通过目标预测模型进行新能源功率预测。
其中,初级预测模型可以为基于BLSTM、GRU、BNN三种算法生成的用于新能源功率预测的初级预测模型。集成指令可以包括平均法、投票法、Stacking三种。
上述***还可包括数据库,用于存储功率预测模型的预测结果等相关数据。
本实施例提供的多种结合策略集成学***均法、投票法、Stacking)生成三种集成学习的集成预测模型,最后根据这三类方法生成的三种集成预测模型的性能(性能由功率预测的准确率来评估)进行排名比较,挑选适应于特定风电场或光伏电站的短期或超短期的最优集成学习策略,并应用于风电场/光伏电站的短期/超短期功率预测中,并把功率预测结果输出到MySQL数据库。该***可以实现新能源场站全方位、自适应、高精度的功率预测。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于多种结合策略集成学习的新能源功率预测方法的基于多种结合策略集成学习的新能源功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于多种结合策略集成学习的新能源功率预测装置实施例中的具体限定可以参见上文中对于基于多种结合策略集成学习的新能源功率预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种基于多种结合策略集成学习的新能源功率预测装置,包括:获取模块610、训练模块620、集成模块630和确定模块640,其中:
获取模块610,用于根据目标预测对象,获取样本新能源数据;样本新能源数据包括训练新能源数据和验证新能源数据;
训练模块620,用于通过训练新能源数据训练得到多个初级预测模型;
集成模块630,用于通过预设的多种集成指令,分别对多个初级预测模型进行集成处理,得到多个集成预测模型;
确定模块640,用于根据各集成预测模型的性能指标,从多个集成预测模型中确定出目标预测模型,通过目标预测模型进行新能源功率预测。
在一个实施例中,上述获取模块610,具体用于根据目标预测对象,确定天气预报数据类型和功率类型;根据天气预报数据类型,获取目标预测对象的历史天气预报数据,以及根据功率类型,获取目标预测对象的历史功率数据;基于历史天气预报数据和历史功率数据,得到样本新能源数据。
在一个实施例中,上述装置还包括预处理模块,用于基于历史天气预报数据和历史功率数据,得到初始样本新能源数据;对初始样本新能源数据中符合预设剔除条件的数据进行剔除处理、和/或对初始样本新能源数据中的负功率数据进行置零处理,和/或对样本新能源数据中的缺失数据进行插补处理,得到处理后的样本新能源数据;对处理后的样本新能源数据进行标准化处理,得到样本新能源数据。
在一个实施例中,上述训练模块620,还用于根据目标预测类型,从训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,实际输出变量表示当前预测周期的历史功率;将输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;基于预测结果与实际输出变量之间的损失值,对各待训练的初级预测模型进行训练,得到多个初级预测模型。
在一个实施例中,上述集成模块630,用于获取多个初级预测模型的均值系数;均值系数用于对各初级预测模型的预测结果进行平均处理;基于均值系数和各初级预测模型,得到第一集成预测模型。
在一个实施例中,上述集成模块630,还用于将训练新能源数据中的输入变量输入各初级预测模型,得到各初级预测模型的预测结果;基于各初级预测模型的预测结果的预测准确率,获取各初级预测模型的权重;预测准确率基于预测结果和验证新能源数据中的实际输出变量得到;基于各初级预测模型和各初级预测模型对应的权重,得到第二集成预测模型。
在一个实施例中,上述集成模块630,还用于将验证新能源数据中的输入变量输入各初级预测模型,得到各初级预测模型的预测结果;通过预测结果和新能源数据中的实际输出变量,对待训练的次级预测模型进行训练,得到训练完成的次级预测模型;基于各初级预测模型和训练完成的次级预测模型,得到第三集成预测模型。
在一个实施例中,上述确定模块640,还用于获取各集成预测模型的预测准确率;从多个集成预测模型中确定出准确率最高的集成预测模型,作为目标预测模型。
上述基于多种结合策略集成学习的新能源功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于多种结合策略集成学习的新能源功率预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多种结合策略集成学习的新能源功率预测方法,其特征在于,所述方法包括:
根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;所述目标预测对象包括风电场和光伏电站;
通过所述训练新能源数据训练得到多个初级预测模型;进一步包括:根据目标预测类型,确定对应的预测参数,根据所述预测参数从所述训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;将所述输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;基于所述预测结果与所述实际输出变量之间的损失值,对各所述待训练的初级预测模型进行训练,得到所述多个初级预测模型;所述输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,所述实际输出变量表示当前预测周期的历史功率;所述目标预测类型包括短期预测和超短期预测,所述预测参数包括预测时间段、时间分辨率和滚动预测周期,所述时间分辨率为15分钟;
通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。
2.根据权利要求1所述的方法,其特征在于,所述根据目标预测对象,获取样本新能源数据,包括:
根据所述目标预测对象,确定天气预报数据类型和功率类型;
根据所述天气预报数据类型,获取所述目标预测对象的历史天气预报数据,以及根据所述功率类型,获取所述目标预测对象的历史功率数据;
基于所述历史天气预报数据和所述历史功率数据,得到所述样本新能源数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述历史天气预报数据和所述历史功率数据,得到所述样本新能源数据,包括:
基于所述历史天气预报数据和所述历史功率数据,得到初始样本新能源数据;
对所述初始样本新能源数据中符合预设剔除条件的数据进行剔除处理、和/或对所述初始样本新能源数据中的负功率数据进行置零处理,和/或对所述样本新能源数据中的缺失数据进行插补处理,得到处理后的样本新能源数据;
对所述处理后的样本新能源数据进行标准化处理,得到所述样本新能源数据。
4.根据权利要求1所述的方法,其特征在于,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,包括:
获取所述多个初级预测模型的均值系数;所述均值系数用于对各所述初级预测模型的预测结果进行平均处理;
基于所述均值系数和各所述初级预测模型,得到第一集成预测模型。
5.根据权利要求1所述的方法,其特征在于,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,还包括:
将所述训练新能源数据中的输入变量输入各所述初级预测模型,得到各所述初级预测模型的预测结果;
基于各所述初级预测模型的预测结果的预测准确率,获取各所述初级预测模型的权重;所述预测准确率基于所述预测结果和所述验证新能源数据中的实际输出变量得到;
基于各所述初级预测模型和各所述初级预测模型对应的权重,得到第二集成预测模型。
6.根据权利要求1所述的方法,其特征在于,所述通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,还包括:
将所述验证新能源数据中的输入变量输入各所述初级预测模型,得到各所述初级预测模型的预测结果;
通过所述预测结果和所述新能源数据中的实际输出变量,对待训练的次级预测模型进行训练,得到训练完成的次级预测模型;
基于各所述初级预测模型和所述训练完成的次级预测模型,得到第三集成预测模型。
7.一种基于多种结合策略集成学习的新能源功率预测***,其特征在于,所述***包括数据采集设备和终端;其中,
所述数据采集设备,用于采集目标预测对象的样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;所述目标预测对象包括风电场和光伏电站;
所述终端,用于从所述数据采集设备中获取所述样本新能源数据,通过所述训练新能源数据训练得到多个初级预测模型,通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型,并根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测;其中,所述多个初级预测模型的训练过程包括:根据目标预测类型,确定对应的预测参数,根据所述预测参数从所述训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;将所述输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;基于所述预测结果与所述实际输出变量之间的损失值,对各所述待训练的初级预测模型进行训练,得到所述多个初级预测模型;所述输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,所述实际输出变量表示当前预测周期的历史功率;所述目标预测类型包括短期预测和超短期预测,所述预测参数包括预测时间段、时间分辨率和滚动预测周期,所述时间分辨率为15分钟。
8.一种基于多种结合策略集成学习的新能源功率预测装置,其特征在于,所述装置包括:
获取模块,用于根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;所述目标预测对象包括风电场和光伏电站;
训练模块,用于通过所述训练新能源数据训练得到多个初级预测模型;
集成模块,用于通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;
确定模块,用于根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测;
所述训练模块,还用于根据目标预测类型,确定对应的预测参数,根据所述预测参数从所述训练新能源数据中确定出每一训练步长的输入变量和实际输出变量;将所述输入变量分别输入多个待训练的初级预测模型中,得到各待训练的初级预测模型的预测结果;基于所述预测结果与所述实际输出变量之间的损失值,对各所述待训练的初级预测模型进行训练,得到所述多个初级预测模型;所述输入变量包括当前预测周期的历史天气预报数据和前一预测周期的历史功率,所述实际输出变量表示当前预测周期的历史功率;所述目标预测类型包括短期预测和超短期预测,所述预测参数包括预测时间段、时间分辨率和滚动预测周期,所述时间分辨率为15分钟。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234586.2A CN114330935B (zh) | 2022-03-10 | 2022-03-10 | 基于多种结合策略集成学习的新能源功率预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234586.2A CN114330935B (zh) | 2022-03-10 | 2022-03-10 | 基于多种结合策略集成学习的新能源功率预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330935A CN114330935A (zh) | 2022-04-12 |
CN114330935B true CN114330935B (zh) | 2022-07-29 |
Family
ID=81034064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210234586.2A Active CN114330935B (zh) | 2022-03-10 | 2022-03-10 | 基于多种结合策略集成学习的新能源功率预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330935B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341767A (zh) * | 2023-05-29 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 基于随机森林的新能源功率预测特征递归筛选方法 |
CN117332898A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 |
CN117332901A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 |
CN117762113B (zh) * | 2024-02-22 | 2024-05-10 | 宁波数益工联科技有限公司 | 基于集成模型的自动监控迭代调参方法及*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138913A (zh) * | 2015-07-24 | 2015-12-09 | 四川大学 | 一种基于多视集成学习的恶意软件检测方法 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN110266647B (zh) * | 2019-05-22 | 2021-09-14 | 北京金睛云华科技有限公司 | 一种命令和控制通信检测方法及*** |
US11803743B2 (en) * | 2019-08-23 | 2023-10-31 | Johnson Controls Tyco IP Holdings LLP | Building system with model training to handle selective forecast data |
CN111815027A (zh) * | 2020-06-09 | 2020-10-23 | 山东大学 | 一种光伏场站发电功率预测方法及*** |
CN112633632A (zh) * | 2020-11-26 | 2021-04-09 | 华中科技大学 | 一种基于信号分解技术的集成短期风电集群功率预测方法 |
CN112561058B (zh) * | 2020-12-15 | 2023-06-06 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112766585A (zh) * | 2021-01-25 | 2021-05-07 | 三峡大学 | 基于软集成学习的电力短期滚动负荷预测方法、***、终端 |
CN113659565B (zh) * | 2021-07-19 | 2023-06-13 | 华北电力大学 | 一种新能源电力***频率态势的在线预测方法 |
CN113537607B (zh) * | 2021-07-23 | 2022-08-05 | 国网青海省电力公司信息通信公司 | 停电预测方法 |
-
2022
- 2022-03-10 CN CN202210234586.2A patent/CN114330935B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114330935A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
del Campo-Ávila et al. | Binding data mining and expert knowledge for one-day-ahead prediction of hourly global solar radiation | |
CN115347571B (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
Zhang et al. | Forecasting of electricity prices using deep learning networks | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115186907A (zh) | 风电场中长期发电量的预测方法、***、设备及介质 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
Amonkar et al. | A k-nearest neighbor space-time simulator with applications to large-scale wind and solar power modeling | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和*** | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
Li et al. | Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN113723712B (zh) | 风电功率预测方法、***、设备及介质 | |
Dai et al. | Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin |
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 |