基于机器学习多模型组合的光伏发电超短期预测方法技术

本发明专利技术提出的一种基于机器学习多模型组合的光伏发电超短期预测方法，包括以下步骤：获取由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；获取由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；通过第二深度学习算法多层感知机模型，获得未来发电功率最终预测值。本发明专利技术采用多模型组合进行超短期预测，极大地提高了预测精度。

Ultra short term forecasting method of photovoltaic power generation based on machine learning multi model combination

【技术实现步骤摘要】
基于机器学习多模型组合的光伏发电超短期预测方法
本专利技术涉及光伏发电
，尤其涉及一种基于机器学习多模型组合的光伏发电超短期预测方法。
技术介绍
太阳能是人类取之不尽用之不竭的可再生能源，具有充分的清洁性、绝对的安全性、相对的广泛性、确实的长寿命和免维护性、资源的充足性及潜在的经济性等优点，在长期的能源战略中具有重要地位。光伏发电是太阳能的重要利用方式，近年来光伏发电的研究和应用越来越普及。光伏发电随着接受到的太阳光照而变化，对天气的依赖非常大。因此，光伏发电必须通过蓄电发电或者其他发电方式进行补充，以保证供电稳定。光伏发电的预测直接关系到供电切换的时机，关系到供电系统的稳定。目前预测算法大多采用单一模型进行预测，并且天气预报数据一天只获取一次；天气预报数据随预测时间跨度越大，准确性越低，并且单一模型具有局限性，预测出的结果精度很难达到电力系统考核要求。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于机器学习多模型组合的光伏发电超短期预测方法。本专利技术提出的一种基于本文档来自技高网...

【技术保护点】
1.一种基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，包括以下步骤：/nS1、从历史数据中获取多组由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；/nS2、从历史数据中获取多组由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；第一发电功率预测值和第二发电功率预测值分别为第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测值；/nS3、将待预测时间段内的天气预报数据分别代入第一深度学习算法多层感知...

【技术特征摘要】
1.一种基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，包括以下步骤：
S1、从历史数据中获取多组由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；
S2、从历史数据中获取多组由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；第一发电功率预测值和第二发电功率预测值分别为第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测值；
S3、将待预测时间段内的天气预报数据分别代入第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；将未来第一发电功率预测值和未来第二发电功率预测值代入第二深度学习算法多层感知机模型，获得未来发电功率最终预测值。


2.如权利要求1所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，步骤S1中还包括，周期性根据第一时间值内的第一样本数据均对第一深度学习算法多层感知机模型和时间序列算法复合季节模型进行修正训练；待预测时间段...

【专利技术属性】
技术研发人员：柴东元，
申请(专利权)人：安徽天尚清洁能源科技有限公司，
类型：发明
国别省市：安徽;34