基于Adaboost算法的光伏超短期组合预测方法技术

本申请提供了基于Adaboost算法的光伏超短期组合预测方法，属于光伏功率计算领域，包括获取每个子预测模型针对每个样本点处的预测准确率，根据误差率计算子预测模型在组合模型中的权重；更新训练样本的权值分布；根据更新后的样本点权重，重新计算每个子预测模型的误差率当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型；根据最终得到的组合预测模型。通过针对同一训练集训练不同的弱学习器，然后将这些弱学习器集合起来，构成一个更强的组合预测模型。借助引入预测达标率概念，以预测达标为目标，结合Adboost算法思想，实现多个弱学习算法的组合优化，能够规避单一预测方法的预测风险，提升预测精度，增强预测模型的稳定性。

Photovoltaic Ultra-Short-Term Combination Prediction Method Based on Addaboost Algorithms

This application provides a photovoltaic ultra-short-term combination forecasting method based on AdaBoost algorithm, which belongs to the field of photovoltaic power calculation. It includes obtaining the prediction accuracy of each sub-prediction model for each sample point, calculating the weight of sub-prediction model in the combination model according to the error rate, updating the weight distribution of training samples, and recalculating each sub-prediction according to the updated sample point weight. When the error rate of the prediction model satisfies the preset iteration termination condition, the final combination prediction model including the sub-prediction model is obtained at the end of iteration, and the final combination prediction model is obtained according to the final combination prediction model. Different weak learners are trained for the same training set, and then these weak learners are combined to form a stronger combination prediction model. By introducing the concept of predictive attainment rate, aiming at predictive attainment rate and combining with the idea of Adboost algorithm, the combination optimization of multiple weak learning algorithms can avoid the prediction risk of single prediction method, improve the prediction accuracy and enhance the stability of prediction model.

【技术实现步骤摘要】
基于Adaboost算法的光伏超短期组合预测方法
本申请属于光伏功率计算领域，特别涉及基于Adaboost算法的光伏超短期组合预测方法。
技术介绍
近年来，光伏功率预测技术逐步发展成熟，光伏功率预测系统也已得到实际应用，在制定日前发电计划、促进新能源消纳、保障电网经济安全运行等方面发挥着重要作用。光伏功率预测按时间尺度可分为超短期、短期、中长期预测。在超短期光伏功率预测领域，目前已形成多种类型的预测方法，主要包括基于云图处理的物理预测方法，基于NWP或地面观测站实时数据修正的预测方法，还有采用自回归滑动平均(ARMA)的时序预测方法，采用神经网络、支持向量机的人工智能预测方法等。无论是哪一种预测方法，均有预测失效的风险，如何提高预测模型的稳定性是影响光伏功率预测系统应用效果的一个重要问题。
技术实现思路
为了解决现有技术中存在的缺点和不足，本申请提供了用于增强预测模型的稳定性的基于Adaboost算法的光伏超短期组合预测方法。为了达到上述技术目的，本申请提供了基于Adaboost算法的光伏超短期组合预测方法，所述预测方法，包括：步骤一，获取预设时间段内的实测功率序列样本，以及每个子预测模本文档来自技高网...

【技术保护点】
1.基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述预测方法，包括：步骤一，获取预设时间段内的实测功率序列样本，以及每个子预测模型在所述预设时间段内对应时段的预测功率序列；步骤二，获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率；步骤三，计算单个子预测模型相对于预测准确率达标阈值e的误差率；步骤四，选择误差率最小的子预测模型作为第t个基本模型，根据误差率计算子预测模型在组合模型中的权重；步骤五，更新训练样本的权值分布；步骤六，根据更新后的样本点权重，重新计算每个子预测模型的误差率，迭代计算步骤四，步骤五，当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内...

【技术特征摘要】
1.基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述预测方法，包括：步骤一，获取预设时间段内的实测功率序列样本，以及每个子预测模型在所述预设时间段内对应时段的预测功率序列；步骤二，获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率；步骤三，计算单个子预测模型相对于预测准确率达标阈值e的误差率；步骤四，选择误差率最小的子预测模型作为第t个基本模型，根据误差率计算子预测模型在组合模型中的权重；步骤五，更新训练样本的权值分布；步骤六，根据更新后的样本点权重，重新计算每个子预测模型的误差率，迭代计算步骤四，步骤五，当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型；步骤七，根据最终得到的组合预测模型，结合各子预测模型未来超短期功率预测值，加权得到最终的组合预测结果；步骤八，将当前时刻的实测功率、各子模型预测功率加入样本，更新样本集，重复步骤二至步骤六，对组合模型进行滚动修正，实现组合模型的实时更新；其中，迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。2.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率包括：其中，Cij表示第i个预测功率序列的第j个样本点的准确率，Pij表示第i个预测功率序列的第j个样本点的预测功率值，P0j表示第i个预测功率序列的第j个样本点的实测功率值，Cap表示光伏电站的总装机容量。3.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，计算单个子预测模型相对于预测准确率达标阈值e的误差率，包括：其中，Wi表示第i功率序列的误差率，k表示满足Cij＜e的预测未达标点的个数，wm表示第m个未达标点对应的权值，...

【专利技术属性】
技术研发人员：龚向阳，李丰伟，王伟，王威，王波，贺旭，王晴，虞殷树，张志雄，华建良，周华，竺佳一，朱炳铨，陆春良，吴华华，张俊，黄远平，吴骥，朱想，周海，
申请(专利权)人：国网浙江省电力有限公司宁波供电公司，中国电力科学研究院有限公司，
类型：发明
国别省市：浙江,33